周金坤，王先蘭，穆楠，王晨

（1.武漢郵電科學(xué)研究院，武漢 430074；2.四川師范大學(xué) 計(jì)算機(jī)科學(xué)學(xué)院，成都 610101；3.南京烽火天地通信科技有限公司，南京 210019）

0 引言

無(wú)人機(jī)（Unmanned Aerial Vehicle，UAV）作為遙感平臺(tái)之一，相較于衛(wèi)星和飛機(jī)，具有操作性強(qiáng)、便利性高、云層影響度低、數(shù)據(jù)采集能力強(qiáng)［1-2］等特點(diǎn)，廣泛應(yīng)用于各個(gè)領(lǐng)域，如植被細(xì)分［3］、車輛監(jiān)測(cè)［4］、建筑提?。?］等。然而，當(dāng)定位系統(tǒng)（如全球定位系統(tǒng)（Global Positioning System，GPS）、北斗等）不可用時(shí)，如何有效地進(jìn)行無(wú)人機(jī)定位及導(dǎo)航是一項(xiàng)巨大的挑戰(zhàn)。近年來(lái)，跨視角地理定位（cross-view geolocalization）在自動(dòng)駕駛和增強(qiáng)現(xiàn)實(shí)的潛在應(yīng)用，為無(wú)人機(jī)定位及導(dǎo)航任務(wù)提供了新思路。它能夠?qū)o(wú)地理標(biāo)記的圖像與數(shù)據(jù)庫(kù)中有地理標(biāo)記的圖像進(jìn)行匹配，進(jìn)而實(shí)現(xiàn)無(wú)人機(jī)的定位和導(dǎo)航任務(wù)［6］，如圖1 所示。圖1 中A 表示給定無(wú)人機(jī)視圖，查詢對(duì)應(yīng)衛(wèi)星視圖，執(zhí)行無(wú)人機(jī)定位任務(wù)；B 表示給定衛(wèi)星視圖，查詢對(duì)應(yīng)無(wú)人機(jī)視圖，執(zhí)行無(wú)人機(jī)導(dǎo)航任務(wù)。

作為跨視角地理定位的主要研究方法，跨視角圖像匹配（cross-view image matching）是將不同視角（如地面、無(wú)人機(jī)、衛(wèi)星視角）的同場(chǎng)景圖像進(jìn)行跨視角匹配的一種方法。其早期研究主要基于地面視圖之間的圖像匹配［7-9］；然而由于地面圖像存在遮擋嚴(yán)重、視野有限、覆蓋范圍小等問(wèn)題，導(dǎo)致匹配效率過(guò)低。相比之下，附帶全球地理位置標(biāo)記的空中視圖（包括無(wú)人機(jī)視圖與衛(wèi)星視圖）具有地面視圖不可取代的優(yōu)越性，如無(wú)遮擋、變化小、覆蓋面廣；因此，將地面視圖與空中視圖進(jìn)行匹配從而實(shí)現(xiàn)地理定位的方式逐漸成為主流［10-13］。此外，由于地面和空中視圖之間視點(diǎn)的劇烈變化，導(dǎo)致嚴(yán)重的空間域差（domain gap）問(wèn)題，使得傳統(tǒng)的手工特征方法如尺度不變特征轉(zhuǎn)換（Scale-Invariant Feature Transform，SIFT）［14-15］和加速魯棒特 征（Speed Up Robust Feature，SURF）［16］很難提取到復(fù)雜且具有辨識(shí)力的視點(diǎn)不變特征，跨視角圖像匹配仍具挑戰(zhàn)性。

隨著深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)任務(wù)中取得較大的成功，大多數(shù)跨視角圖像匹配工作開始采用卷積神經(jīng)網(wǎng)絡(luò)（Convolutional Neural Network，CNN）來(lái)解決空間域差問(wèn)題［17-20］。現(xiàn)階段，實(shí)現(xiàn)該任務(wù)的CNN 方法大體可以分為兩種。

第一種是基于度量學(xué)習(xí)（Metric Learning）的方法，該方法將跨視角圖像匹配視為圖像檢索領(lǐng)域的子任務(wù)，旨在通過(guò)網(wǎng)絡(luò)學(xué)習(xí)出兩幅圖像的相似度。Tian等［19］利用建筑物作為地面視圖和衛(wèi)星視圖之間的橋梁，進(jìn)行視點(diǎn)圖像匹配，技術(shù)上首次提出通過(guò)孿生網(wǎng)絡(luò)來(lái)匹配K個(gè)最相似的圖像，并通過(guò)對(duì)比損失（Contrastive Loss，CL）來(lái)度量圖像間的相似度。Hu等［21］基于孿生網(wǎng)絡(luò)和網(wǎng)絡(luò)局部聚集描述子向量NetVLAD（Net Vector of Local Aggregated Descriptors）［22］提出CVM-Net（Cross-View Matching Network），他們使用三元組損失（Triplet Loss，TL）進(jìn)行相似度訓(xùn)練，首次在跨視角地理定位任務(wù)實(shí)現(xiàn)了穩(wěn)定的rank1 指標(biāo)性能。Regmi等［23］基于條件生成對(duì)抗網(wǎng)絡(luò)（Conditional Generative Adversarial Nets，CGANs）［24］提出了一種圖像生成方法來(lái)減小兩個(gè)視圖之間的視覺(jué)差異，此外他們采用加權(quán)軟邊界三元組損失（Weighted Soft Margin triplet loss，WSM）［21］來(lái)輔助訓(xùn)練。該方法可以從相應(yīng)的地面視圖圖像生成看似合理的空中視圖圖像，然后進(jìn)行匹配。Cai等［25］采用注意力機(jī)制，將空間和通道注意力嵌入特征圖，并使用硬樣本重加權(quán)三重?fù)p失（hard exemplar reweighting triplet loss）來(lái)進(jìn)行訓(xùn)練。該類方法通常使用的數(shù)據(jù)集（如CVUSA（Cross-View USA）［17］、CVACT［26］）在目標(biāo)位置通常只有一個(gè)圖像對(duì)（每個(gè)視圖只有一張圖像）。當(dāng)相同目標(biāo)地點(diǎn)的不同視角圖像作為同類來(lái)進(jìn)行跨視角圖像匹配任務(wù)時(shí)，基于度量學(xué)習(xí)的第一種方法是行不通的。

第二種是將跨視角地理定位任務(wù)當(dāng)作分類問(wèn)題來(lái)看待，旨在將不同視圖的特征映射到同一特征空間進(jìn)行分類匹配，一般使用ID 損失（identification loss）進(jìn)行訓(xùn)練。Zheng等［6］使用3 個(gè)CNN 分支，基于建筑類別標(biāo)簽在其提出的數(shù)據(jù)集University-1652［6］上實(shí)現(xiàn)了衛(wèi)星視圖、無(wú)人機(jī)視圖、地面視圖間的匹配，成功驗(yàn)證了無(wú)人機(jī)定位和導(dǎo)航任務(wù)的可行性。Ding等［27］將衛(wèi)星視圖和無(wú)人機(jī)視圖放在同一支網(wǎng)絡(luò)進(jìn)行分類任務(wù)，專注于無(wú)人機(jī)和衛(wèi)星視圖的匹配任務(wù)。Hu等［28］考慮到相機(jī)風(fēng)格的偏差，采用基于色階的方法來(lái)統(tǒng)一圖像風(fēng)格樣式，此外他們還采用網(wǎng)格劃分的方式來(lái)進(jìn)行局部特征（Local Features，LF）對(duì)齊。

然而以上兩種方法將跨視角圖像匹配任務(wù)割裂地看成了度量學(xué)習(xí)任務(wù)［19，21，23］或分類任務(wù)［6，27-29］，依然存在著網(wǎng)絡(luò)參數(shù)量過(guò)大、圖像表征特征單一、訓(xùn)練難以收斂等缺點(diǎn)；并且，現(xiàn)有大多數(shù)方法均只對(duì)全局特征（Global Feature，GF）進(jìn)行表征，忽略了局部特征帶來(lái)的上下文信息。

此外，現(xiàn)有跨視角圖像匹配方法主要針對(duì)空中視圖（包括衛(wèi)星視圖）和地面視圖，且目標(biāo)地點(diǎn)僅具有單個(gè)圖像對(duì)。這些方法并未考慮到衛(wèi)星視圖和無(wú)人機(jī)視圖間的相似性，因此難以應(yīng)用于衛(wèi)星視圖和無(wú)人機(jī)視圖之間的跨視圖圖像匹配任務(wù)。

為了解決現(xiàn)有方法所存在的度量任務(wù)和分類任務(wù)割裂、表征特征粒度不均勻、采樣不平衡等問(wèn)題。本文提出了一種新的基于多視角多監(jiān)督網(wǎng)絡(luò)（Multi-view and Multisupervision Network，MMNet）的無(wú)人機(jī)定位方法，來(lái)學(xué)習(xí)跨視角圖像匹配中不同視圖的全局特征和局部特征，從而實(shí)現(xiàn)無(wú)人機(jī)定位和導(dǎo)航任務(wù)。MMNet 采用孿生網(wǎng)絡(luò)架構(gòu)，有兩個(gè)CNN 分支，分別用于學(xué)習(xí)衛(wèi)星視圖和無(wú)人機(jī)視圖。且每個(gè)CNN 具有兩個(gè)子分支，分別用于提取全局特征和局部特征。為了充分融合度量學(xué)習(xí)和分類任務(wù)的訓(xùn)練特性，并學(xué)習(xí)到兩個(gè)視圖間的視點(diǎn)不變特征，采取了多監(jiān)督方式進(jìn)行訓(xùn)練。具體來(lái)說(shuō)，在對(duì)全局特征向量進(jìn)行分類監(jiān)督的基礎(chǔ)上，進(jìn)一步對(duì)衛(wèi)星和無(wú)人機(jī)視圖執(zhí)行非對(duì)稱相似性度量，該任務(wù)采用了新提出的重加權(quán)正則化三元組損失（Reweighted Regularization Triplet loss，RRT）。最后，使用加權(quán)策略來(lái)整合全局特征和局部特征，來(lái)表征目標(biāo)地點(diǎn)的多視角圖像，從而實(shí)現(xiàn)無(wú)人機(jī)定位和導(dǎo)航任務(wù)。

本文的主要工作為以下5 個(gè)方面：

1）提出了MMNet 來(lái)解決無(wú)人機(jī)定位和導(dǎo)航問(wèn)題，其能夠在統(tǒng)一的網(wǎng)絡(luò)架構(gòu)中，通過(guò)加權(quán)的方式將衛(wèi)星和無(wú)人機(jī)圖像的全局粗粒度信息和局部上下文信息進(jìn)行多視角聚合，學(xué)習(xí)到兼具細(xì)粒度的視點(diǎn)不變特征，從而更完整地表征目標(biāo)地點(diǎn)圖像。

2）MMNet 在跨視角圖像匹配領(lǐng)域首次采用RRT 與ID 損失融合的多監(jiān)督訓(xùn)練方式來(lái)執(zhí)行相似性度量任務(wù)和分類任務(wù)，兼具度量學(xué)習(xí)和分類學(xué)習(xí)的優(yōu)點(diǎn)。

3）MMNet 在訓(xùn)練過(guò)程中綜合考慮了上下文模式，充分利用目標(biāo)建筑周圍的環(huán)境，以端到端的方式學(xué)習(xí)目標(biāo)場(chǎng)景的上下文信息。

4）提出了多視角平衡采樣（Multi-view-based Balanced Mining，MBM）和重加權(quán)正則化策略，MMNet 能夠有效緩解衛(wèi)星視圖和無(wú)人機(jī)視圖的訓(xùn)練樣本失衡問(wèn)題，在實(shí)驗(yàn)中驗(yàn)證了其有效性。

5）MMNet 在最新提出的無(wú)人機(jī)數(shù)據(jù)集University-1652 上進(jìn)行了大量實(shí)驗(yàn)驗(yàn)證，MMNet 相較于現(xiàn)有的跨視角圖像匹配方法在各項(xiàng)指標(biāo)中均取得了最優(yōu)性能。

1 多視角多監(jiān)督網(wǎng)絡(luò)

本章主要介紹了所提出的多視角多監(jiān)督網(wǎng)絡(luò)MMNet（如圖2 所示）。首先闡述MMNet 的網(wǎng)絡(luò)結(jié)構(gòu)和特征提取方式，然后針對(duì)數(shù)據(jù)集的多視角樣本失衡提出RRT，最后通過(guò)多監(jiān)督方式聯(lián)合ID 損失和RRT 訓(xùn)練出更有區(qū)分度的特征，從而實(shí)現(xiàn)無(wú)人機(jī)定位和導(dǎo)航功能。

任務(wù)描述為：給定無(wú)人機(jī)地理定位數(shù)據(jù)集，x和y分別表示輸入圖像及對(duì)應(yīng)的類別標(biāo)簽，下標(biāo)m表示數(shù)據(jù)源xm的來(lái)源平臺(tái)，其中m∈{1，2}，x1表示衛(wèi)星視圖，x2表示無(wú)人機(jī)視圖。標(biāo)簽y∈[1，C]，其中C為類別總數(shù)。本文實(shí)驗(yàn)所用數(shù)據(jù)集為University-1652，訓(xùn)練集共含有701 棟建筑物，且每棟建筑物包含多張圖像。將701 棟建筑分為701 個(gè)索引，每個(gè)索引代表一個(gè)類別，即標(biāo)簽y∈[1，701]。對(duì)于跨視角圖像匹配，MMNet 通過(guò)學(xué)習(xí)一個(gè)映射函數(shù)，可以將來(lái)自不同平臺(tái)的圖像映射到一個(gè)共享的特征空間中，同一索引圖像間距離非常近，而不同索引的圖像彼此間距離會(huì)被拉開。

1.1 多視角網(wǎng)絡(luò)架構(gòu)

所提出的MMNet 基于孿生網(wǎng)絡(luò)架構(gòu)，包含兩個(gè)分支（如圖2 中C1 和C2 所示），分別用于衛(wèi)星視角和無(wú)人機(jī)視角的圖像匹配。鑒于每個(gè)分支權(quán)重共享［6］，MMNet 可以使用任何預(yù)訓(xùn)練網(wǎng)絡(luò)架構(gòu)（如VGG［30］和ResNet［31］）作為骨干網(wǎng)。本文采用了經(jīng)過(guò)微調(diào)的ResNet-50［31］作為每個(gè)分支的骨干網(wǎng)。ResNet-50 包含5 個(gè)模塊：Conv1、Conv2、Conv3、Conv4、Conv5、一個(gè)平均池化層和一個(gè)全連接層。具體來(lái)說(shuō)，舍棄了平均池化層及后續(xù)網(wǎng)絡(luò)層，并將Conv5_1 的步長(zhǎng)由2 更改為1。

為了訓(xùn)練MMNet，首先將輸入圖像的尺寸調(diào)整為256×256。其中衛(wèi)星視角和無(wú)人機(jī)視角分支具有相同的特征提取方式，當(dāng)圖像經(jīng)過(guò)改進(jìn)的ResNet-50后，可以從多視角網(wǎng)絡(luò)分支提取到維度為2 048 的中間特征圖，用于后續(xù)的分類和度量學(xué)習(xí)。將此層映射記為Fbackbone，多視角特征提取過(guò)程可表征為：

其中：fm表示輸入圖像xm的輸出特征圖。每個(gè)視角在骨干網(wǎng)后分別設(shè)置了全局子分支和局部子分支來(lái)學(xué)習(xí)各視角的全局特征和局部特征。

為了提取細(xì)粒度特征，本文在全局分支中采用了一種可自學(xué)習(xí)的廣義平均（Generalized-Mean，GeM）池化［32］，該池化層融合了最大池化和平均池化的優(yōu)點(diǎn)，能捕獲到特定領(lǐng)域的區(qū)分特征。fm在經(jīng)過(guò)GeM 池化后，提取得到全局特征gm∈R1×2048。GeM 池化公式如下：

其中：fk表示特征圖，k表示通道方向上的位置序號(hào)，k∈{1，2，…，K}；Xk表示特征圖中各個(gè)通道層的激活圖，其尺寸為W×H；Pk表示一個(gè)可訓(xùn)練超參數(shù)，其在全局分支中初始化為6，并通過(guò)反向傳播不斷更新學(xué)習(xí)。對(duì)于上述操作，當(dāng)Pk→∞時(shí)，GeM 池化等價(jià)于最大池化；當(dāng)Pk→1時(shí)，GeM 池化等價(jià)于平均池化。最終，利用RRT 聯(lián)合訓(xùn)練衛(wèi)星視圖和無(wú)人機(jī)視圖的全局特征，將多視角映射到同一個(gè)特征空間。

在局部分支中，為了充分利用上下文信息，采用方形環(huán)切割策略［29］來(lái)切割特征圖fm。觀察到，目標(biāo)地點(diǎn)通常分布在圖像的中心，而上下文信息輻射性地分布在其周圍?；谶@種語(yǔ)義信息分布的假設(shè)，方形環(huán)劃分的中心可以近似地對(duì)準(zhǔn)特征圖的中心。如圖3 所示，根據(jù)到圖像中心的距離將全局特征fm分為4 個(gè)部分，獲得了4 塊環(huán)狀的特征圖，(n=1，2，3，4)。上標(biāo)n代表從中心算起的第n部分。同樣，局部分支也采用GeM 池化操作，將轉(zhuǎn)換成通道數(shù)為2 048 的局部特征，Pk初始化為1。該過(guò)程可表征為：

其中：Fslice代表方形環(huán)劃分；Gempool代表GeM 池化操作。隨后，MMNet 采用尺寸為1 × 1 的卷積核對(duì)進(jìn)行降維，得到∈R1×512(i=1，2，3，4)。

至此，MMNet 已經(jīng)獲取了各個(gè)分支的局部特征以及全局特征。由于特征是從不同的分支中提取的，可能具有不同的分布，不能直接用于匹配。為了突破這一限制，除了利用RRT 將全局特征映射在一個(gè)共享空間外，還建立了一個(gè)多視角參數(shù)共享的分類模塊。該分類模塊針對(duì)局部特征向量和全局特征向量gm分別建立了5 支參數(shù)不共享的分類子模塊執(zhí)行分類任務(wù)，來(lái)預(yù)測(cè)各自的標(biāo)簽y。這5 支分類子模塊結(jié)構(gòu)相同，由以下層構(gòu)建：全連接層（Fully Connected layer，F(xiàn)C）、批歸一化層（Batch Normalization layer，BN）、棄參層（Dropout layer，Dropout）、分類層（Classification Layer，CL）。此處的CL 也是一個(gè)全連接層，后接Softmax 函數(shù)可將分類特征向量進(jìn)行歸一化。

在訓(xùn)練過(guò)程中，利用反向傳播來(lái)降低損失，并利用Adam優(yōu)化器來(lái)更新網(wǎng)絡(luò)參數(shù)。通過(guò)同時(shí)最小化RRT 和多支特征的ID 損失之和來(lái)優(yōu)化MMNet。在對(duì)所提出的MMNet 進(jìn)行訓(xùn)練之后，采用加權(quán)策略來(lái)聚合全局和局部特征進(jìn)行目標(biāo)地點(diǎn)圖像表示。

1.2 多視角平衡采樣策略

針對(duì)數(shù)據(jù)集University-1652 無(wú)人機(jī)視角和衛(wèi)星視角樣本量極其不平衡（無(wú)人機(jī)視圖與衛(wèi)星視圖的比例為54∶1）的特點(diǎn)，提出了多視角平衡采樣（MBM）策略。多視角樣本不平衡表示兩個(gè)視角之間的樣本量不平衡，而每個(gè)視角的類別數(shù)和每個(gè)類別的樣本數(shù)都是平衡的。如果在訓(xùn)練時(shí)，按類別隨機(jī)采樣，各視角采樣數(shù)相同，則導(dǎo)致樣本量多的視角出現(xiàn)欠采樣問(wèn)題，同理，樣本量過(guò)少的視角易出現(xiàn)過(guò)采樣問(wèn)題，因此網(wǎng)絡(luò)會(huì)偏向于出現(xiàn)過(guò)采樣問(wèn)題的同視角樣本之間的分類任務(wù)學(xué)習(xí)。如果各視角采樣比例等同于數(shù)據(jù)集視角間樣本量比例，則會(huì)導(dǎo)致網(wǎng)絡(luò)傾向于樣本量多的一方的同視角分類任務(wù)學(xué)習(xí)，從而使網(wǎng)絡(luò)忽略掉了跨視角視圖間的匹配學(xué)習(xí)。

本文提出的MBM 策略，根據(jù)不同視角總樣本量的比例，進(jìn)行一個(gè)折中的采樣比例設(shè)置。根據(jù)經(jīng)驗(yàn)，初始化時(shí)將比例γ設(shè)為3。即每次批量采樣，每個(gè)目標(biāo)地點(diǎn)的衛(wèi)星視圖與無(wú)人機(jī)視圖的采樣量之比為1∶3。

1.3 重加權(quán)正則化策略

三元組損失（triplet loss）已被廣泛應(yīng)用于各種圖像匹配任務(wù)，包括人臉識(shí)別［33］、行人重識(shí)別［34-35］和圖像檢索［36-37］。三元組損失目標(biāo)是訓(xùn)練網(wǎng)絡(luò)將正樣本拉近錨點(diǎn)，同時(shí)將負(fù)樣本推開。最簡(jiǎn)單的三元組損失為最大邊界三元組損失（maxmargin triplet loss），公式如下：

文獻(xiàn)［21］中為了提高網(wǎng)絡(luò)訓(xùn)練的收斂速度，提出了加權(quán)軟邊界三元組損失，該損失設(shè)置了一個(gè)縮放系數(shù)α，公式如下：

其中：正樣本和負(fù)樣本有著相同的權(quán)重，致使下降梯度的幅度相同。這意味著正、負(fù)樣本將會(huì)以相同的方式和力度被拉近或推開。在實(shí)踐中，無(wú)人機(jī)視圖相較于衛(wèi)星視圖更易收集，導(dǎo)致數(shù)據(jù)集University-1652 中無(wú)人機(jī)視圖數(shù)量要遠(yuǎn)高于衛(wèi)星視圖數(shù)量。在前文中提出了用MBM 策略來(lái)減輕多視角樣本不平衡的影響。在該策略下，每一個(gè)訓(xùn)練batch 中都會(huì)存在比例為γ∶1 的無(wú)人機(jī)、衛(wèi)星視圖分布，所以在梯度下降的過(guò)程當(dāng)中，應(yīng)該采取兩個(gè)優(yōu)化策略：1）以無(wú)人機(jī)視圖聚類為錨點(diǎn)，將同類別間的衛(wèi)星視圖聚類，相較于將聚類逐個(gè)拉向單個(gè)衛(wèi)星圖錨點(diǎn)會(huì)更容易；2）盡可能拉近同類別間的距離，而不是推開負(fù)樣本，因?yàn)閷⑸贁?shù)匹配的樣本拉到錨點(diǎn)附近比將所有負(fù)樣本推離錨點(diǎn)更容易?；谏鲜鰞?yōu)化策略，采用重加權(quán)的方法，調(diào)整正負(fù)樣本間的不同權(quán)重，可以更好地緩解多視角樣本不平衡的問(wèn)題。

此外，上述三種三元組損失均是采用硬樣本批量采樣策略，即在每個(gè)批次中，只選取最遠(yuǎn)的正樣本和最近的負(fù)樣本組成一個(gè)三元組，計(jì)算一次三元組損失。該策略僅僅捕獲了少量且具有豐富信息的樣本，卻忽略了大量的常規(guī)樣本，同時(shí)還破壞了原本特征空間樣本的分布結(jié)構(gòu)。鑒于此，根據(jù)每對(duì)樣本間的學(xué)習(xí)難度賦予不同的權(quán)重，且不引入任何邊界余量。具體來(lái)說(shuō)，即對(duì)于距離越遠(yuǎn)的正樣本和距離越近的負(fù)樣本對(duì)，賦予更高的權(quán)重。該策略能夠保持原樣本間的空間結(jié)構(gòu)，降低計(jì)算復(fù)雜度，更有利于收斂。RRT 函數(shù)如下：

其中：(i，j，k)表示每次訓(xùn)練批次中的三元組；對(duì)于每張圖像i，Pi是與之對(duì)應(yīng)的正樣本；Ni是與之相對(duì)應(yīng)的負(fù)樣本分別表示正負(fù)樣本對(duì)之間的距離分別代表每個(gè)正負(fù)樣本對(duì)的正則化權(quán)重。如果設(shè)置較大的αn，負(fù)樣本對(duì)的梯度隨著損失優(yōu)化會(huì)快速下降，意味著只能將負(fù)樣本對(duì)推開小段距離。對(duì)于較小的αp，正樣本對(duì)的梯度則會(huì)緩速下降，會(huì)迅速將正樣本按特征空間距離比例拉向錨點(diǎn)。當(dāng)正樣本數(shù)遠(yuǎn)少于負(fù)樣本時(shí)，例如只有一個(gè)衛(wèi)星正樣本的無(wú)人機(jī)定位任務(wù)中，將唯一匹配的正樣本拉近錨點(diǎn)比將所有負(fù)樣本推開更容易，因此本文可通過(guò)設(shè)置一個(gè)遠(yuǎn)小于αn的αp值來(lái)驗(yàn)證此猜想。

1.4 多監(jiān)督聯(lián)合學(xué)習(xí)

為了提高視角特征以及類間特征的可區(qū)分度，本文使用ID 損失聯(lián)合學(xué)習(xí)類間的全局和局部特征，并提出RRT 聯(lián)合學(xué)習(xí)視角間的全局特征。因此，MMNet 不僅能執(zhí)行分類任務(wù)，還能執(zhí)行相似性度量任務(wù)。這種針對(duì)性的聯(lián)合學(xué)習(xí)策略能夠同時(shí)有效地學(xué)習(xí)視角間的顯著性特征，提高跨視角圖像匹配任務(wù)中特征可區(qū)分度。

1.4.1 分類學(xué)習(xí)

近年，許多計(jì)算機(jī)視覺(jué)任務(wù)如人臉識(shí)別、目標(biāo)檢測(cè)、行人重識(shí)別等都用到了分類的思想，可將該任務(wù)看成一個(gè)圖像分類任務(wù)。本文從分類的角度出發(fā)，采用交叉熵（crossentropy）損失聯(lián)合學(xué)習(xí)全局和局部特征，將無(wú)人機(jī)定位任務(wù)視為圖像分類任務(wù)來(lái)訓(xùn)練MMNet。兩個(gè)視角分支的不同特征分別進(jìn)入一個(gè)參數(shù)共享的分類模塊，將所有特征映射到一個(gè)共享的特征空間中。通過(guò)結(jié)合全局特征和4 個(gè)局部特征進(jìn)行分類共享，能夠有效將同地點(diǎn)的輸入圖像聚類。

具體來(lái)說(shuō)，采用MBM 策略，在一個(gè)訓(xùn)練批次中，選擇P類ID 的目標(biāo)建筑圖像，每類ID 選擇γ幅無(wú)人機(jī)視圖，1 幅衛(wèi)星視圖。因此一個(gè)批次中，共有P× (γ+1)幅圖像。訓(xùn)練過(guò)程中，MMNet 將降維后的局部特征和全局特征gm作為輸入，通過(guò)分類模塊后，輸出列向量為和zm，分別表征和gm。然后，利用Softmax 函數(shù)將輸出列向量進(jìn)行歸一化，并且預(yù)測(cè)各特征的類別。該過(guò)程表征如下：

接下來(lái)，將交叉熵?fù)p失作為損失函數(shù)來(lái)計(jì)算該批次圖像中的局部特征和全局特征的ID 損失：

其中：LPid和LGid分別表示整個(gè)批次的局部特征ID 損失和全局特征ID 損失。

1.4.2 度量學(xué)習(xí)

三元組損失常用于跨視角地理定位任務(wù)，用于執(zhí)行全局特征的相似性度量任務(wù)。本文將新提出的RRT 應(yīng)用在MMNet 中的全局特征度量學(xué)習(xí)。RRT 的重加權(quán)策略以及相對(duì)距離權(quán)重正則化策略能夠有效地將同場(chǎng)景的不同視角圖像進(jìn)行再聚類，提升同類圖像的相似度。在MMNet中，RRT可表征為：

為了計(jì)算最終損失，本文使用多監(jiān)督加權(quán)策略將分類損失和度量損失進(jìn)行線性聚合：

其中：η是權(quán)重系數(shù)，按訓(xùn)練經(jīng)驗(yàn)設(shè)定為0.5。

MMNet 融合了全局和局部特征表示目標(biāo)地點(diǎn)圖像，可以用降維后的局部特征hn(n∈(1，2，3，4))來(lái)表示局部特征：

最后，MMNet 使用加權(quán)策略融合全局和局部特征進(jìn)行圖像表征：

其中：β是控制局部特征重要性的權(quán)重系數(shù)。

2 實(shí)驗(yàn)與結(jié)果分析

本章首先介紹大型無(wú)人機(jī)定位數(shù)據(jù)集University-1652［6］，然后描述了實(shí)驗(yàn)設(shè)置細(xì)節(jié)，最后通過(guò)對(duì)提出的方法進(jìn)行消融實(shí)驗(yàn)以及整體評(píng)估，證明了MBM 策略、RRT、多監(jiān)督聯(lián)合學(xué)習(xí)對(duì)于無(wú)人機(jī)定位任務(wù)的有效性，同時(shí)提供了MMNet 與University-1652 現(xiàn)有前沿工作的比較。

2.1 實(shí)驗(yàn)設(shè)置

2.1.1 數(shù)據(jù)集

University-1652［6］是一個(gè)多視圖多源數(shù)據(jù)集，包含衛(wèi)星視圖、無(wú)人機(jī)視圖和地面視圖數(shù)據(jù)，其收集了全世界72 所大學(xué)的1 652 棟建筑。訓(xùn)練集包括33 所大學(xué)的701 棟建筑，測(cè)試集包括其余39 所大學(xué)的951 棟建筑。訓(xùn)練和測(cè)試集中沒(méi)有重疊的大學(xué)。由于一些建筑物沒(méi)有足夠的地面圖像來(lái)覆蓋這些建筑物的不同方面，因此數(shù)據(jù)集還提供了一個(gè)附加的訓(xùn)練集，該附加數(shù)據(jù)集中的圖像是從谷歌地圖中收集的，它們具有與地面圖像相似的視圖。此外，附加的訓(xùn)練集可以作為地面圖像的補(bǔ)充。該數(shù)據(jù)集主要用作兩個(gè)新任務(wù)的研究，分別為無(wú)人機(jī)定位（無(wú)人機(jī)→衛(wèi)星，如圖1 中A 所示）和無(wú)人機(jī)導(dǎo)航（衛(wèi)星→無(wú)人機(jī)，如圖1 中B 所示）。訓(xùn)練集含有50 218幅圖像，共覆蓋了701 棟建筑。在無(wú)人機(jī)目標(biāo)定位任務(wù)中，Query 集含有37 855 幅無(wú)人機(jī)視圖圖像，Gallery 集含有701幅可匹配的衛(wèi)星視圖圖像和250 幅干擾衛(wèi)星視圖。在無(wú)人機(jī)導(dǎo)航任務(wù)中，Query 集中有701 幅衛(wèi)星視圖，Gallery 集含有37 855 幅可匹配的無(wú)人機(jī)視圖和13 500 幅干擾無(wú)人機(jī)視圖。

2.1.2 實(shí)驗(yàn)細(xì)節(jié)

MMNet 的骨干網(wǎng)采用了微調(diào)的ResNet-50，在ImageNet數(shù)據(jù)集上對(duì)ResNet-50 進(jìn)行了預(yù)處理。本文實(shí)驗(yàn)中，無(wú)論是訓(xùn)練還是測(cè)試，輸入圖像的尺寸均采用256 × 256。在訓(xùn)練時(shí)，使用隨機(jī)水平翻轉(zhuǎn)、隨機(jī)裁剪以及隨機(jī)旋轉(zhuǎn)來(lái)增加數(shù)據(jù)的多樣性。本文采用多視角平衡采樣策略，訓(xùn)練批次設(shè)置為32，γ設(shè)置為3，即一個(gè)批次中隨機(jī)選取8 類目標(biāo)地點(diǎn)圖像，每類圖像包含3 幅無(wú)人機(jī)視圖和1 幅衛(wèi)星視圖。在反傳過(guò)程當(dāng)中，本文采用隨機(jī)梯度下降法優(yōu)化參數(shù)，momentum設(shè)置為0.9，weight_decay為0.000 5。骨干網(wǎng)初始學(xué)習(xí)率設(shè)為0.001，分類模塊學(xué)習(xí)率為0.01，80 個(gè)epoch 后衰減為原來(lái)的1/10，經(jīng)過(guò)120 個(gè)epoch 完成訓(xùn)練。對(duì)于RRT 中的超參數(shù)，按經(jīng)驗(yàn)分別設(shè)αp=5，αn=20。在測(cè)試過(guò)程中，利用歐氏距離來(lái)度量Query 圖像和Gallery 集中候選圖像之間的相似性。本文在PyTorch 1.7.1 上實(shí)現(xiàn)，所有實(shí)驗(yàn)都在一個(gè)NVIDIA RTX 2080Ti GPU 上進(jìn)行。

2.1.3 評(píng)價(jià)標(biāo)準(zhǔn)

本文實(shí)驗(yàn)使用召回率（Recall@K，R@K）和平均精準(zhǔn)率（Average Precision，AP）來(lái)評(píng)估性能。R@K代表在Top-K的Ranking List 中的正確匹配圖像的比例，較高的R@K表明網(wǎng)絡(luò)性能較好。AP 代表了精準(zhǔn)率-召回率曲線下的面積。分別在無(wú)人機(jī)定位和導(dǎo)航任務(wù)中使用上述兩個(gè)指標(biāo)作為實(shí)驗(yàn)評(píng)價(jià)標(biāo)準(zhǔn)。

2.2 前沿方法對(duì)比

在University-1652 數(shù)據(jù)集上進(jìn)行了廣泛的實(shí)驗(yàn)，通過(guò)和4 個(gè)具有競(jìng)爭(zhēng)性的前沿方法進(jìn)行比較，來(lái)評(píng)估本文所提出方法的性能。如表1 所示，與本文方法作對(duì)比的4 個(gè)前沿方法分別為：實(shí)例損失（Instance Loss，IL）方法［6］、LCM（cross-view Matching based on Location Classification）方法［27］、SFPN（Salient Feature Partition Network）方法［38］、LPN（Local Pattern Network）方法［29］。MMNet 在無(wú)人機(jī)定位任務(wù)中（無(wú)人機(jī)視圖→衛(wèi)星視圖）達(dá)到了83.97%的R@1 性能和86.96%的AP 性能，在無(wú)人機(jī)導(dǎo)航任務(wù)中（衛(wèi)星視圖→無(wú)人機(jī)視圖）達(dá)到了90.15%的R@1 性能和84.69%的AP 性能。

表1 University-1652數(shù)據(jù)集上本文方法與前沿方法的比較 單位：%Tab.1 Comparison of the proposed method with state-of-the-art methods on University-1652 dataset unit：%

相較于性能次好的LPN 方法，MMNet 在無(wú)人機(jī)定位任務(wù)中的R@1 指標(biāo)提升了10.59%，在無(wú)人機(jī)導(dǎo)航任務(wù)中AP 指標(biāo)提升了13.24%，表明MMNet 在University-1652 數(shù)據(jù)集上的無(wú)人機(jī)定位和導(dǎo)航任務(wù)中都顯著優(yōu)于現(xiàn)有方法。

對(duì)于無(wú)人機(jī)視角地理定位任務(wù)，Gallery 中有951 幅衛(wèi)星視角圖像。為了使這項(xiàng)匹配任務(wù)更具挑戰(zhàn)性，本文從CVUSA 的測(cè)試集中收集了8 884 幅衛(wèi)星圖像添加到University-1652 的Gallery 集中作為干擾物（表1 最后一行）。盡管干擾物會(huì)降低整體表現(xiàn)，但表1 中R@1 和AP 并沒(méi)有顯著下降，結(jié)果仍然具有競(jìng)爭(zhēng)力。這證明了MMNet 對(duì)干擾物的魯棒性。

此外，在圖4 中展示了兩個(gè)任務(wù)的一些檢索結(jié)果。觀察到，無(wú)論是在無(wú)人機(jī)定位還是在無(wú)人機(jī)導(dǎo)航任務(wù)中，MMNet都可以根據(jù)內(nèi)容來(lái)檢索合理的圖像；但圖4（a）中第三行展示了一個(gè)失敗案例，MMNet 并沒(méi)有成功地匹配R@1 圖像。本文發(fā)現(xiàn)這項(xiàng)任務(wù)仍具挑戰(zhàn)性，由于R@1 圖像與Query 圖像具有非常相似的空間結(jié)構(gòu)特點(diǎn)，兩幅圖像所含中心建筑的外觀尤為相似。

2.3 消融實(shí)驗(yàn)

本文在數(shù)據(jù)集University-1652［6］上評(píng)估了MMNet 的各模塊性能，各模塊均采用MBM 策略進(jìn)行采樣，實(shí)驗(yàn)結(jié)果如表2所示。在表2中，全局特征（GF）表示僅利用MMNet 的全局分支提取到的特征，即gm來(lái)訓(xùn)練網(wǎng)絡(luò)；局部特征（LF）表示僅利用MMNet 的局部分支提取到的特征，即來(lái)訓(xùn)練網(wǎng)絡(luò)；聯(lián)合特征（Joint Features，JF）表示聯(lián)合全局特征和局部特征來(lái)訓(xùn)練網(wǎng)絡(luò)。括號(hào)中表示網(wǎng)絡(luò)訓(xùn)練所使用的損失函數(shù)，其中：ID 表示損失函數(shù)采用ID 損失中的交叉熵?fù)p失，用來(lái)學(xué)習(xí)分類任務(wù)；RRT 表示采用本文所提出的RRT，用來(lái)學(xué)習(xí)度量任務(wù)。

通過(guò)表2 可看出，本文采用的各方法模塊如MBM、RRT，多監(jiān)督聯(lián)合學(xué)習(xí)對(duì)整個(gè)網(wǎng)絡(luò)的性能提升均有貢獻(xiàn)。

表2 University-1652數(shù)據(jù)集上MMNet不同模塊的比較結(jié)果 單位：%Tab.2 Comparison results of different MMNet modules on University-1652 dataset unit：%

2.3.1 多視角平衡采樣策略

為了證明所提出的MBM 策略的有效性，在基線上進(jìn)行了兩個(gè)對(duì)比實(shí)驗(yàn)，分別采取文獻(xiàn)［6］中的批量挖掘，以及本文提出的MBM。在批量挖掘中，batch_size 設(shè)為32，每個(gè)batch采樣16 個(gè)類別的目標(biāo)地點(diǎn)圖像，無(wú)人機(jī)和衛(wèi)星視圖各一幅圖像。由于文獻(xiàn)［6］中每類目標(biāo)地點(diǎn)的無(wú)人機(jī)視圖與衛(wèi)星視圖比例均為54∶1，所以會(huì)存在明顯無(wú)人機(jī)視圖欠采樣問(wèn)題。此外對(duì)于度量任務(wù)計(jì)算RRT 而言，批量挖掘中每個(gè)錨點(diǎn)的正樣本均只有一幅，嚴(yán)重影響了損失優(yōu)化的平衡性。理論上，MBM 可以有效緩解采樣中視角圖像數(shù)量不平衡問(wèn)題，在特征空間中可以增強(qiáng)無(wú)人機(jī)聚類，拉近衛(wèi)星視圖與無(wú)人機(jī)視圖的距離。從表3 中數(shù)據(jù)可以看出，本文提出的MBM 顯著提升了MMNet 在University-1652 數(shù)據(jù)集上的性能。

表3 MMNet采用不同采樣策略的結(jié)果 單位：%Tab.3 Results of different sampling strategies in MMNet unit：%

2.3.2 重加權(quán)正則化三元組損失

為了驗(yàn)證RRT 在University-1652 數(shù)據(jù)集上的有效性。在文獻(xiàn)［6］提出的基線上（采用批量挖掘策略）對(duì)常用的幾種損失如：CL［6］、TL［6］、WSM［21］以及RRT 進(jìn)行了對(duì)比實(shí)驗(yàn)，結(jié)果如表4 所列。在RRT中，根據(jù)經(jīng)驗(yàn)，設(shè)αp=5，αn=20，從而達(dá)到了最好的性能，AP 值均得到較大提升。為了能夠有效驗(yàn)證重加權(quán)策略，在以上RRT 實(shí)驗(yàn)的基礎(chǔ)上采用MBM 策略，將R@1 和AP 平均提升了2.61 個(gè)百分點(diǎn)左右。對(duì)于性能提升而言，RRT 采用的重加權(quán)策略，以及MBM 策略，均能有效緩解University-1652 數(shù)據(jù)集的多視角樣本不平衡問(wèn)題，將無(wú)人機(jī)圖像聚類的同時(shí)，能夠讓同地點(diǎn)衛(wèi)星圖像更接近于無(wú)人機(jī)圖像聚類。

表4 RTT與其他度量損失的比較 單位：%Tab.4 Comparison of RRT with other metric losses unit：%

2.3.3 多監(jiān)督聯(lián)合學(xué)習(xí)

本文所提出的聯(lián)合學(xué)習(xí)主要體現(xiàn)在兩個(gè)方面，分別是全局和局部特征之間的聯(lián)合學(xué)習(xí)，以及分類損失和度量損失之間的聯(lián)合學(xué)習(xí)。前者能夠同時(shí)關(guān)注全局特征的粗粒度感知信息和局部特征的細(xì)粒度上下文信息，做到多粒度信息融合。通過(guò)對(duì)比表2 中的GF（ID）、LF（ID）和JF（ID）方法可看出，局部特征相較于全局特征能夠大幅度提升網(wǎng)絡(luò)性能。聯(lián)合全局特征和局部特征的網(wǎng)絡(luò)能夠在局部特征網(wǎng)絡(luò)基礎(chǔ)上兼具粗粒度信息，使網(wǎng)絡(luò)相較于局部特征訓(xùn)練能夠有效地將R@1 和AP 平均提升1.43 個(gè)百分點(diǎn)左右。這些數(shù)據(jù)表明，聯(lián)合全局和局部特征聚合了多粒度視點(diǎn)不變特征，學(xué)習(xí)出更豐富的目標(biāo)地點(diǎn)信息。

在MMNet中，分類任務(wù)能夠?qū)⒉煌暯堑耐瑘?chǎng)景目標(biāo)地點(diǎn)圖像在兩個(gè)特征空間分別進(jìn)行聚類，然后通過(guò)映射方式實(shí)現(xiàn)跨視角圖像匹配。相對(duì)而言，度量任務(wù)則是通過(guò)將所有圖像映射在一個(gè)特征空間，然后拉近不同視角的同場(chǎng)景圖像距離，推開異類圖像，從而實(shí)現(xiàn)跨視角圖像匹配任務(wù)。簡(jiǎn)而言之，分類任務(wù)專注于同視角間同類場(chǎng)景圖像的聚類任務(wù)，度量任務(wù)專注于不同視角的同場(chǎng)景圖像匹配任務(wù)。對(duì)比表2 中GF（ID）、GF（RRT）、JF（ID）和MMNet 方法的數(shù)據(jù)，可以看出MMNet 在融合了交叉熵?fù)p失和RRT后，顯著提升了網(wǎng)絡(luò)性能，其中在無(wú)人機(jī)定位任務(wù)的R@1 和導(dǎo)航任務(wù)的AP指標(biāo)上分別提高了4.32 和5.58 個(gè)百分點(diǎn)。

2.3.4 超參數(shù)分析

為了評(píng)估β在式（16）中的影響，單獨(dú)改變?chǔ)轮翟贛MNet測(cè)試中做了單一變量實(shí)驗(yàn)，結(jié)果如圖5 所示，可以看到當(dāng)β=1時(shí)，R@1 和AP 的性能達(dá)到最高值。

3 結(jié)語(yǔ)

本文基于孿生網(wǎng)絡(luò)架構(gòu)提出了一種新的深度學(xué)習(xí)網(wǎng)絡(luò)MMNet，用于跨視角圖像匹配。MMNet 有效融合了多視角全局和局部特征，學(xué)習(xí)到兼具粗粒度感知和細(xì)粒度上下文的目標(biāo)地點(diǎn)信息；同時(shí)MMNet 聯(lián)合了分類損失和度量損失進(jìn)行多監(jiān)督訓(xùn)練，能夠有效互補(bǔ)分類和度量任務(wù)中的固有缺陷。對(duì)于全局特征，在采用分類損失的基礎(chǔ)上，提出了重加權(quán)正則化三元組損失，有效緩解了分類損失對(duì)于跨視角視圖映射較弱的問(wèn)題。對(duì)于局部特征，采用方形環(huán)分割策略，將全局特征劃分成多個(gè)環(huán)形部分，從卷積圖中學(xué)習(xí)潛在的上下文信息，并為局部特征執(zhí)行分類任務(wù)。對(duì)于University-1652 數(shù)據(jù)集，本文所提出的多視角平衡采樣策略，能夠有效緩解該數(shù)據(jù)集無(wú)人機(jī)視圖和衛(wèi)星視圖樣本數(shù)量不平衡問(wèn)題。此外，基于多監(jiān)督訓(xùn)練方式有效提升了無(wú)人機(jī)定位和導(dǎo)航任務(wù)的跨視角圖像匹配性能。在目前流行的無(wú)人機(jī)數(shù)據(jù)集上證實(shí)了所提出的MMNet 的有效性，相較于現(xiàn)有的前沿方法，顯著了提高了無(wú)人機(jī)定位和導(dǎo)航任務(wù)的準(zhǔn)確性。

下一步工作將會(huì)考慮衛(wèi)星視圖和無(wú)人機(jī)視圖之間的視角轉(zhuǎn)換，讓網(wǎng)絡(luò)自動(dòng)學(xué)習(xí)多視角間的視點(diǎn)不變特征的基礎(chǔ)上，訓(xùn)練出針對(duì)空間域差的自適應(yīng)視角轉(zhuǎn)換方法。