hloc：SuperGlueで精度を向上させたSfM実装

SfM(Structure from Motion)の話題。

機械学習で特徴点マッチングの精度を向上させたSuperGlueをSfMに利用した実装が公開されている↓

hloc – the hierarchical localization toolbox

hlocは、state-of-the-artな6-DoF visual localization用モジュラーツールボックスです。
hlocはHierarchical Localizationや画像の検索の活用、特徴マッチングを実装しており、高速・正確でスケーラブルです。
このコードベースは、CVPR 2020の屋内/屋外のlocalization challengeで優勝しました。SuperGlueとは特徴マッチングのためのグラフニューラルネットワークです。

hlocを使えば、以下のことが可能です:

• CVPR 2020の優勝結果を屋外(Aachen)、屋内(InLoc)データセットで再現
• 独自のデータセットでSuperPoint + SuperGlueのStructure-from-Motionを実行してローカライズ
• 独自のデータをvisual localizationするために局所特徴量や画像検索について評価
• 新しいローカリゼーションのパイプラインを実装し、手軽にデバッグする 🔥

Hierachical Localizationには、画像検索と特徴マッチングの両方を使用します。

Installationを見ると、PyTorchとCOLMAPのPythonバインディングpycolmapを使うらしい。

つまりどういうプロセスで動くのか、General pipelineを読んでみる↓

General pipeline

hlocは複数のscriptで構成されており、大まかに以下のステップの処理を行います：

スポンサーリンク

1. データセット、クエリ画像全てのSuperPoint局所特徴量を抽出する
2. リファレンス用の3D SfMモデルを構築する
   1. 検索または以前のSfMモデルを使用し、データベース画像の対応関係を見つける
   2. SuperGlueでデータベースのペアをマッチングさせる
   3. COLMAPを使用して新しいSfMモデルを三角測量する
3. 検索によって、各クエリに関連するデータベース画像を見つける
4. SuperGlueでクエリ画像をマッチングさせる
5. ローカリゼーションを実行する
6. 可視化とデバッグ

ローカリゼーション処理については、visuallocalization.netのデータセットで評価できます。屋内データセットInLocなどの3D Lidarスキャンが利用可能な場合、手順2.はスキップできます。

hlocのアーキテクチャ：

• hloc/*.py：最上位階層(top-level)のscript
• hloc/extractors/：特徴抽出のインターフェイス
• hloc/matchers/：特徴マッチングのインターフェイス

SuperGlueは第三回 全日本コンピュータビジョン勉強会(前編)で@yu4uこと内田祐介さんが発表してたやつだ。

SuperGlue

CVPR 2020網羅的サーベイのSuperGlueのページ↓
http://xpaperchallenge.org/cv/survey/cvpr2020_summaries/338

まだGNN(Graph Neural Network)について知識不足…