第4期 杨慧，等：基于二进制生成对抗网络的视觉回环检测研究 ·679· 型，因此性能表现更为出色。但是，有监督学习 损失，提高其可靠性。在性能接近的情况下，二 方法需要大量标签数据且训练时间更长。而无监 进制特征描述符对于回环检测应用非常有吸引 督学习方法由于不需要标签，则更适用于大规模 力，因为使用二进制特征描述符可以节省更多的 场景、复杂场景和开放场景下的回环检测问题。 存储空间以及计算资源，加快回环检测速度。 除此之外，AlexNet、HybridNet及AMOSNet在训 1.0 练时都需要大量有标签数据，其中，Krizhevsky SURE 0.8 ORB 等2四在训练AlexNet时采用120万张图片作为训 BRIEF 练集，AMOSNet和ybridNet在训练时的数据集 0.6 本文方法 (二进制 本文方法 更是包含了250万张图片)，而本文所述方法仅 (非二进制 0.2 AiexNet 仅需要2000个无标签数据对模型进行训练即可 --AmosNet .-HybirdNet 获得较为出色的结果。而且值得注意的是，在 0 0.2 0.40.6 0.8 1.0 NC数据集上无监督回环检测的表现甚至优于有 召回率 监督方法。NC的拍摄环境为校园，且含有较多 图7 Kaist(North)数据集下各方法的PR曲线 重复元素和强烈的视角变化。这证明了本文所述 Fig.7 AUC under PR curves on the Kaist(North)dataset 方法在复杂场景下，特别是强烈的视角变化具有 1.0 鲁棒性。所以综上所述，本文的方法与有监督方 法之间的性能差异是完全可以接受的。 0.8 SURF 3)对比二进制特征描述符和非二进制特征描 0.6 ORB BRIEF 述符，可以发现，在无监督回环检测框架下，在本 文所提出的3个测试集上二进制特征描述符的性 0.2 AlexNet AmosNet HybirdNet 能更优。本文利用距离传播损失函数使得高维特 0 0.2 0.40.6 0.8 1.0 征空间与低维特征空间之间具有相似的海明距离 召回率 关系，利用二值化表示熵损失函数能进一步增强 图8 Kaist(West0)数据集下各方法的PR曲线 低维二进制特征描述子的表征能力，弥补其信息 Fig.8 AUC under PR curves on the Kaist(West)dataset 表3AUC汇总表 Table 3 AUC summary 数据集 SURF ORB BRIEF Ous(binary) Ous(nonbinary) AlexNet AmosNet HybridNet CC 0.827 0.806 0.786 0.858 0.834 0.864 0.865 0.867 NC 0.734 0.735 0.730 0.752 0.724 0.742 0.742 0.745 KAIAT(East) 0.677 0.611 0.639 0.719 0.686 0.787 0.749 0.778 KAIAT(North) 0.610 0.536 0.574 0.656 0.622 0.682 0.671 0.684 KAIAT(West) 0.702 0.662 0.675 0.750 0.726 0.771 0.755 0.778 3.2.2不同参数的结果对比 述子，后者在嫡损失最小的情况下进一步提高低 为了进一步研究距离传播损失函数LD和二 维二进制描述符的多样性和表征能力。在本实验 值化表示嫡损失函数LRE对无监督回环检测性能 中，优选的参数是op0.5,BRE=0.1。 的影响，本文改变参数op以及BRE的值，并计算 除此之外，为了验证距离传播损失函数的有 了不同参数值在各个数据集下相对应的AUC,结 效性，测试其是否将高维空间特征的距离关系映 果如表4所示。从表中可以看出，只有在同时加 射至低维空间，我们以KAIST(North)数据集为 入距离传播损失函数LDP和二值化表示熵损失函 例，分别提取其在Dp=0.5,BRE=0.1和1Dp=0, 数LBRE后，视觉回环检测的性能才会有实质的提 E=O.1时高维空间特征以及低维空间特征，对不 升。因此，在无监督回环检测中，距离传播损失 同维度的特征进行归一化操作后，利用式(4)计 函数LDP和二值化表示熵损失函数LBRE缺一不 算相同参数下高维空间与低维空间相对应特征之 可，前者实现高维特征到低维特征的映射，获得 间的相似性。 维度更低，更为紧凑且区分度高的二进制特征描 实验结果如图9所示。型，因此性能表现更为出色。但是，有监督学习 方法需要大量标签数据且训练时间更长。而无监 督学习方法由于不需要标签，则更适用于大规模 场景、复杂场景和开放场景下的回环检测问题。 除此之外，AlexNet、HybridNet 及 AMOSNet 在训 练时都需要大量有标签数据，其中，Krizhevsky 等 [21] 在训练 AlexNet 时采用 120 万张图片作为训 练集，AMOSNet 和 HybridNet 在训练时的数据集 更是包含了 250 万张图片[23] ，而本文所述方法仅 仅需要 2 000 个无标签数据对模型进行训练即可 获得较为出色的结果。而且值得注意的是，在 NC 数据集上无监督回环检测的表现甚至优于有 监督方法。NC 的拍摄环境为校园，且含有较多 重复元素和强烈的视角变化。这证明了本文所述 方法在复杂场景下，特别是强烈的视角变化具有 鲁棒性。所以综上所述，本文的方法与有监督方 法之间的性能差异是完全可以接受的。 3) 对比二进制特征描述符和非二进制特征描 述符，可以发现，在无监督回环检测框架下，在本 文所提出的 3 个测试集上二进制特征描述符的性 能更优。本文利用距离传播损失函数使得高维特 征空间与低维特征空间之间具有相似的海明距离 关系，利用二值化表示熵损失函数能进一步增强 低维二进制特征描述子的表征能力，弥补其信息 损失，提高其可靠性。在性能接近的情况下，二 进制特征描述符对于回环检测应用非常有吸引 力，因为使用二进制特征描述符可以节省更多的 存储空间以及计算资源，加快回环检测速度[25]。 召回率 1.0 0.8 0.6 0.4 0.2 准确率 0 0.2 0.4 0.6 0.8 1.0 SURF ORB BRIEF 本文方法 (二进制) 本文方法 (非二进制) AlexNet AmosNet HybirdNet 图 7 Kaist(North) 数据集下各方法的 PR 曲线 Fig. 7 AUC under PR curves on the Kaist(North) dataset 召回率 1.0 0.8 0.6 0.4 0.2 准确率 0 0.2 0.4 0.6 0.8 1.0 SURF ORB BRIEF 本文方法 (二进制) 本文方法 (非二进制) AlexNet AmosNet HybirdNet 图 8 Kaist(West) 数据集下各方法的 PR 曲线 Fig. 8 AUC under PR curves on the Kaist(West) dataset 表 3 AUC 汇总表 Table 3 AUC summary 数据集 SURF ORB BRIEF Ous(binary) Ous(nonbinary) AlexNet AmosNet HybridNet CC 0.827 0.806 0.786 0.858 0.834 0.864 0.865 0.867 NC 0.734 0.735 0.730 0.752 0.724 0.742 0.742 0.745 KAIAT(East) 0.677 0.611 0.639 0.719 0.686 0.787 0.749 0.778 KAIAT(North) 0.610 0.536 0.574 0.656 0.622 0.682 0.671 0.684 KAIAT(West) 0.702 0.662 0.675 0.750 0.726 0.771 0.755 0.778 3.2.2 不同参数的结果对比 为了进一步研究距离传播损失函数 LDP 和二 值化表示熵损失函数 LBRE 对无监督回环检测性能 的影响，本文改变参数 λDP 以及 λBRE 的值，并计算 了不同参数值在各个数据集下相对应的 AUC，结 果如表 4 所示。从表中可以看出，只有在同时加 入距离传播损失函数 LDP 和二值化表示熵损失函 数 LBRE 后，视觉回环检测的性能才会有实质的提 升。因此，在无监督回环检测中，距离传播损失 函数 LDP 和二值化表示熵损失函数 LBRE 缺一不 可，前者实现高维特征到低维特征的映射，获得 维度更低，更为紧凑且区分度高的二进制特征描 述子，后者在熵损失最小的情况下进一步提高低 维二进制描述符的多样性和表征能力。在本实验 中，优选的参数是 λDP=0.5，λBRE=0.1。 除此之外，为了验证距离传播损失函数的有 效性，测试其是否将高维空间特征的距离关系映 射至低维空间，我们以 KAIST(North) 数据集为 例，分别提取其在 λ D P=0.5， λ BRE =0.1 和 λ D P=0， λBRE=0.1 时高维空间特征以及低维空间特征，对不 同维度的特征进行归一化操作后，利用式 (4) 计 算相同参数下高维空间与低维空间相对应特征之 间的相似性。 实验结果如图 9 所示。 第 4 期 杨慧，等：基于二进制生成对抗网络的视觉回环检测研究 ·679·