YILDIZ-VPR: плотная карта городских сцен для обучения алгоритмов визуальной геолокации
Визуальное распознавание мест (Visual Place Recognition, VPR) — это одна из ключевых задач компьютерного зрения, которая помогает алгоритмам понимать, где именно сделано фото. Принцип простой: система сравнивает входное изображение с базой географически привязанных снимков и находит наиболее похожее место. Такая технология пригодится для навигации роботов, дополненной реальности и автономного транспорта. Но несмотря на обилие существующих датасетов, исследователям до сих пор не хватает данных, собранных именно с пешеходной перспективы, — плотных, разнообразных и охватывающих одни и те же места в разных условиях.
Новый набор данных YILDIZ-VPR, анонсированный в статье на arXiv (2608.17033), закрывает этот пробел. Авторы — Serdar Yildiz, Abbas Memiş и Songül Varli — поставили перед собой задачу создать ресурс, который позволит обучать и тестировать алгоритмы VPR в реалистичной городской среде с высоким пространственным покрытием.
Как собирали данные
Съёмка проходила на территории кампуса Давутпаша Йылдызского технического университета в Стамбуле. Вместо разовых выездов исследователи использовали методику повторяющихся пеших маршрутов. Это означает, что они многократно проходили одни и те же маршруты, фиксируя, как меняется облик кампуса.
Для записи использовалась камера GoPro 9, которая обеспечивает стабильное качество съёмки даже при движении. Каждый видеопоток синхронизировался с GPS-приёмником, поэтому для каждого извлечённого кадра известны точные географические координаты. Кроме координат, в набор включены показания гироскопа, датчика скорости и даже температуры. Эти дополнительные данные могут оказаться полезными для алгоритмов, которые пытаются учитывать контекст съёмки — например, направление взгляда камеры или динамику движения.
Что внутри набора
YILDIZ-VPR охватывает не просто отдельные точки, а практически непрерывную визуальную карту кампуса. В кадр попадают самые разные объекты: исторические корпуса, современные постройки из стекла и бетона, дороги, пешеходные дорожки, а также парковые зоны и лесные участки на окраине территории.
Особый интерес представляет долговременная изменчивость. Съёмка велась в разное время суток, в разные сезоны и при разной погоде. Это значит, что одно и то же здание можно увидеть утром и вечером, летом и зимой, в солнечный день и в туман. Для алгоритмов VPR такая вариативность — настоящее испытание: они учатся находить общее между снимками, которые на первый взгляд выглядят совершенно по-разному из-за освещения или погодных условий.
Почему это важно для исследований
Главная ценность YILDIZ-VPR — сочетание плотного покрытия и реалистичной изменчивости. Большинство популярных датасетов VPR предлагают либо разреженные снимки, снятые с интервалами в десятки метров, либо охватывают лишь короткий период времени. Здесь же исследователи получают почти сплошной поток кадров с одного и того же маршрута, снятый в течение длительного времени.
Такая структура открывает новые возможности для изучения темпорального распознавания мест — направления, которое учитывает, как меняется внешний вид локации между разными визитами. Алгоритмы могут обучаться предсказывать, как будет выглядеть место через несколько часов или месяцев, а также использовать временные метки для уточнения поиска.
Кроме того, наличие данных с инерциальных датчиков и GPS позволяет комбинировать визуальную информацию с другими источниками, что приближает исследователей к созданию более надёжных систем локализации для автономных устройств.
Итог
YILDIZ-VPR — это не просто очередная подборка изображений, а продуманный инструмент для развития визуальной геолокации. Благодаря пешеходной перспективе, высокой плотности съёмки и долгосрочным наблюдениям он позволяет решать задачи, которые раньше были труднодостижимы: от калибровки моделей под смену освещения до построения self-supervised методов, которые не требуют ручной разметки. Для исследователей, работающих над VPR, этот набор станет ценным полигоном — тем более что он основан на реальном городском пространстве с его естественной сложностью и непредсказуемостью.
