使用 Google Street View 进行指标定位
本研究提出使用手机的 GPS、罗盘和重力传感器等附加传感器来解决室外场景下相机定位的挑战性问题，通过开发出直接的二维 - 三维匹配网络和采集公开数据集等手段，证明了该方法的有效性。
Apr, 2023
本文提出了一种基于街景图像的自动检测并计算感兴趣的重复固定对象的 GPS 坐标的方法，使用两个全卷积神经网络进行处理并使用一种新颖的自定义马尔可夫随机场模型进行三角化，实验证明了本方法的有效性。
Aug, 2017
本文使用新型网络结构和更密集的卫星图像描述符进行多模式区域定位，可将度量定位误差中位数相对于同一区域、跨区域和跨时间的现有技术分别降低 51％、37％和 28％。
Aug, 2022
该研究提出了一种利用卫星图像对地面车辆进行精确定位的方法，其采用基于地面 - 卫星特征字典的视觉定位方法，可以在不需要密集的地面图像数据库的情况下估计任意位置的可能性，并通过学习定位判别特征投影矩阵进一步提高精确度，在公共数据集上得到了显著的改进。
Oct, 2015
使用街景图像进行定位时，精细定位角度的准确度对于提高街景图像的定位和地理定位任务的性能至关重要。本研究提出了两种方法，实现了对街景图像角度的细致估计，相较于以前的方法，准确度提高了 34.9% 至 28.2%。在训练中整合了精细定位角度估计，进一步提升了地理定位的性能。
Jul, 2023
本文提出了一种面向实时性能的可扩展视觉定位方法，该方法使用自我监督方法学习紧凑的路图像表示，结合车辆本体运动得出高精度位置估计，在挑战性的城市环境中有效地减少了定位误差一个数量级。
May, 2019
本文提出了一种车载摄像机定位的解决方案，通过神经网络和几何投影模型实现从地面图像匹配到高空卫星地图上，并把匹配问题转化为姿态估计问题来提高定位精度。
Apr, 2022
本文研究了将查询街景图像与参考集中带有 GPS 标记的航空图像进行匹配的问题，并指出了图像对齐信息的被忽视问题，研究表明，基于度量学习技术的改进可以显著提高性能而无需利用对齐信息，同时使用 Grad-CAM 进行可视化来理解模型以及对齐信息的效果，提出了一种新的方法来估计未知对齐信息下的交叉视图图像之间的方向 / 对齐，其在 CVUSA 数据集上取得了最新的结果。
May, 2020
本文提出了一种利用普通地面图像和低精度手机 GPS 训练地理空间深度神经网络以准确预测车辆地理位置 (纬度和经度) 的方法。我们在一个公开数据集和我们自己采集的在雾都旧金山市中心的图像上验证了该方法，结果表明模型可以在实际业务应用中足够预测质量位置，同时避免了使用地图或 SFM 模型的当今经典视觉定位或姿态估计方法所遇到的问题。
Apr, 2018
该研究论文使用增量 SfM 和基于地理标记图像的尺度漂移校正方法来解决单眼视频中的尺度漂移问题，并在公共数据集上进行实验验证，成果表现出了在千米尺度环境下实现了准确的地理定位
Aug, 2018