NYC-Indoor-VPR: A Long-Term Indoor Visual Place Recognition Dataset with Semi-Automatic Annotation

本文介绍了一种在室内环境中进行视觉地点识别（VPR）的方法，这对于人类和机器人的定位和导航都有益处。由于外观在各种频率下的变化以及获取用于训练和评估的地面真实度量轨迹的困难，这是具有挑战性的。本文引入了NYC-Indoor-VPR数据集，这是一个独特而丰富的集合，包括从纽约市13个不同的拥挤场景中收集的超过36,000张图像，这些图像在不同的光照条件下具有外观变化。每个场景都在一年内多次重复。为了建立VPR的基准，我们提出了一种半自动注释方法，计算了每个图像的位置信息。我们的方法特别是以视频对作为输入，并产生匹配的图像对及其估计的相对位置。这种匹配的准确性由人类注释者进行了精细的调整，他们利用我们的注释软件来关联选择的关键帧。最后，我们使用我们注释的数据集对几种最先进的VPR算法进行了基准评估，揭示了它对VPR研究的挑战和价值。

如何在室内环境中实现更好的定位和导航？如何解决室内环境中外观变化频繁以及获取地面真实轨迹的困难？

引入NYC-Indoor-VPR数据集，提出半自动注释方法建立VPR的地面真实，评估了几种最先进的VPR算法的性能。

NYC-Indoor-VPR数据集包含了13个不同的拥挤场景，超过36000张图像，每个场景都有多次访问，拍摄时间跨度一年。论文提出的注释方法可以半自动计算图像的位置信息，同时人工修正提高了匹配的准确性。论文评估了几种最先进的VPR算法的性能，揭示了该数据集的挑战和价值。

最近的相关研究包括：“Visual Place Recognition in Changing Conditions”、“Deep Learning for Visual Place Recognition: A Review”、“A Review of Place Recognition Techniques with Visual Appearance Change for Long-Term Operation of Mobile Robots”等。