摘要
视觉场景识别是计算机视觉领域的一项具有挑战性的任务，也是基于摄像头的定位与导航系统中的关键组成部分。近年来，卷积神经网络（Convolutional Neural Networks, CNNs）在该任务中取得了优异的性能，并展现出良好的泛化能力。传统方法通常采用成对或三元组图像进行训练，以二值标签（相似或不相似）指示图像间的关系。然而，在实际应用中，图像之间的相似性并非二值化，而是连续变化的。此外，此类CNN的训练过程计算复杂，依赖于代价高昂的样本对（pair）或三元组（triplet）挖掘策略。为此，本文提出一种广义对比损失函数（Generalized Contrastive Loss, GCL），该函数基于连续的图像相似度度量进行建模，并用于训练孪生卷积神经网络（siamese CNN）。同时，我们提出了三种自动标注图像对相似程度的技术，用于对MSLS、TB-Places和7Scenes等公开数据集进行重新标注。实验结果表明，采用GCL函数与改进后的标注数据训练的孪生CNN模型，在性能上持续优于传统的二值化训练方法。在MSLS数据集上训练的模型，显著超越了当前最先进的方法，包括NetVLAD、NetVLAD-SARE、AP-GeM和Patch-NetVLAD，并在Pittsburgh30k、Tokyo 24/7、RobotCar Seasons v2以及Extended CMU Seasons等多个基准数据集上表现出优异的泛化能力。此外，使用GCL函数训练孪生网络无需复杂的样本对挖掘过程，显著降低了训练复杂度。相关源代码已开源，地址为：https://github.com/marialeyvallina/generalized_contrastive_loss。