view in publisher's site

Visual place recognition: A survey from deep learning perspective

Highlights•We provide a whole picture about deep learning-based visual place recognition.•The differences and similarities between VPR and image retrieval are included.•We review different kinds of CNN-based methods, novel CNN features and datasets for VPR.•New tools such as GANs and multi-modality feature fusion are discussed for VPR.•We discuss challenges, open issues and future directions of visual place recognition.AbstractVisual place recognition has attracted widespread research interest in multiple fields such as computer vision and robotics. Recently, researchers have employed advanced deep learning techniques to tackle this problem. While an increasing number of studies have proposed novel place recognition methods based on deep learning, few of them has provided a whole picture about how and to what extent deep learning has been utilized for this issue. In this paper, by delving into over 200 references, we present a comprehensive survey that covers various aspects of place recognition from deep learning perspective. We first present a brief introduction of deep learning and discuss its opportunities for recognizing places. After that, we focus on existing approaches built upon convolutional neural networks, including off-the-shelf and specifically designed models as well as novel image representations. We also discuss challenging problems in place recognition and present an extensive review of the corresponding datasets. To explore the future directions, we describe open issues and some new tools, for instance, generative adversarial networks, semantic scene understanding and multi-modality feature learning for this research topic. Finally, a conclusion is drawn for this paper.

شناخت مکان بصری: یک بررسی از دیدگاه یادگیری عمیق

نکات برجسته * ما یک تصویر کامل از شناخت عمیق مبتنی بر یادگیری مکان بصری ارائه می‌دهیم. * تفاوت‌ها و شباهت‌های بین VPR و بازیابی تصویر در نظر گرفته شده‌است. ما انواع مختلف روش‌های مبتنی بر سی ان ان، ویژگی‌های جدید سی ان ان و مجموعه داده‌های VPR را بررسی می‌کنیم. * ابزارهای جدیدی مانند اوگاندا و ترکیب ویژگی چند وجهی برای VPR مورد بحث قرار می‌گیرند. * ما چالش‌ها، مسائل باز و مسیرهای آینده تشخیص مکان بصری را مورد بحث قرار می‌دهیم. * عدم واکنش تشخیص مکان بصری توجه تحقیقات گسترده‌ای را در زمینه‌های مختلف مانند بینایی کامپیوتر و رباتیک به خود جلب کرده‌است. اخیرا، محققان تکنیک‌های پیشرفته یادگیری عمیق را برای مقابله با این مشکل به کار گرفته‌اند. در حالی که تعداد زیادی از مطالعات روش‌های تشخیص مکان جدید را براساس یادگیری عمیق پیشنهاد کرده‌اند، تعداد کمی از آن‌ها تصویر کاملی از چگونگی و میزان یادگیری عمیق برای این موضوع ارائه کرده‌اند. در این مقاله، با بررسی بیش از ۲۰۰ منبع، ما یک بررسی جامع ارائه می‌دهیم که جنبه‌های مختلف شناخت مکان را از دیدگاه یادگیری عمیق پوشش می‌دهد. ما در ابتدا معرفی مختصری از یادگیری عمیق ارائه می‌دهیم و فرصت‌های آن را برای شناسایی مکان‌ها مورد بحث قرار می‌دهیم. پس از آن، ما بر روی رویکردهای موجود مبتنی بر شبکه‌های عصبی کانولوشن، از جمله مدل‌های آماده و به طور خاص مدل‌های طراحی‌شده و همچنین نمایش‌های تصویر جدید تمرکز می‌کنیم. ما همچنین مشکلات چالش برانگیز در تشخیص مکان را مورد بحث قرار می‌دهیم و یک بررسی گسترده از مجموعه داده‌های مربوطه ارائه می‌دهیم. برای بررسی جهت گیری های آینده، ما مسائل باز و برخی از ابزارهای جدید، به عنوان مثال، شبکه‌های خصمانه تولیدی، درک صحنه معنایی و یادگیری ویژگی چند وجهی برای این موضوع تحقیقاتی را توصیف می‌کنیم. در نهایت، یک نتیجه‌گیری برای این مقاله ارائه شده‌است.
ترجمه شده با


پر ارجاع‌ترین مقالات مرتبط:

  • مقاله Software
  • ترجمه مقاله Software
  • مقاله نرم‌افزار
  • ترجمه مقاله نرم‌افزار
  • مقاله Artificial Intelligence
  • ترجمه مقاله Artificial Intelligence
  • مقاله هوش مصنوعی
  • ترجمه مقاله هوش مصنوعی
  • مقاله Signal Processing
  • ترجمه مقاله Signal Processing
  • مقاله پردازش سیگنال
  • ترجمه مقاله پردازش سیگنال
  • مقاله Computer Vision and Pattern Recognition
  • ترجمه مقاله Computer Vision and Pattern Recognition
  • مقاله بینایی کامپیوتری و تشخیص الگو
  • ترجمه مقاله بینایی کامپیوتری و تشخیص الگو
سفارش ترجمه مقاله و کتاب - شروع کنید

با استفاده از افزونه دانلود فایرفاکس چکیده مقالات به صورت خودکار تشخیص داده شده و دکمه دانلود فری‌پیپر در صفحه چکیده نمایش داده می شود.