Feb, 2016

PlaNet - 基于卷积神经网络进行照片地理定位

PDF
TL;DR本文采用卷积神经网络以及深度学习方法，通过对地球表面进行多尺度地理单元的细分，结合图像中的地标、天气模式、植被、道路标记和建筑细节等线索，利用海量地理标记图像进行分类，建立了一个名为 PlaNet 的模型，旨在通过照片图像实现定位识别，并结合长短时记忆神经网络，提高模型识别不确定图片的地理定位准确率。
photo geolocationdeep networkplanetmulti-cue integrationlstm
发现论文，激发创造
  • 可解释的语义化照片地理定位

    介绍了使用语义分割和特征分析方法来提高星球级照片定位准确性和可解释性。

    Apr, 2021

  • CPlaNet: 通过组合式地图划分增强图像地理定位

    提出了一种称为组合划分的简单但有效的算法，该算法通过相交多个粗粒度分割地球的分割方式，生成大量细粒度的输出类，使我们能够在细粒度上预测位置，同时为每个类别保持足够的训练示例。该算法在多个基准数据集上实现了最先进的位置识别性能。

    Aug, 2018

  • 利用位置上下文提高图像分类

    本研究通过利用 GPS 坐标，探索了将位置信息与卷积神经网络相结合进行图像分类的方法，并在 Yahoo Flickr Creative Commons 100M 数据集的子集上进行了评估，证明了这种方法可以使平均精度提高近 7%。

    May, 2015

  • 深度学习时代的 IM2GPS 重访

    本文提出了将深度图像分类方法与原始的 Im2GPS 方法相结合，同时应用核密度估计来估计查询图片的地理位置，结果表明使用分类损失的网络训练比其他典型用于检索应用的深度特征学习方法（如对比学习和三元组损失的同构网络）表现更好，提高了地理定位的准确性并且需要更少的训练数据。

    May, 2017

  • 基于卷积神经网络的地点识别

    本文介绍了一种基于 CNN 模型的场所识别技术，在空间和时间维度上使用组合得到 CNN 模型的强大特征，并应用于一些基准数据集进行评估，该技术在召回率上取得了 75％的提升和 100％精度，明显优于之前所有的最新技术。在本文中，还对所有 21 个层的特征进行了全面的性能比较，包括基准数据集和一个具有更大视角变化的第二个数据集。

    Nov, 2014

  • 应用卷积神经网络对地面图像进行土地利用分类

    使用 Flickr 上的地面图像和深度学习方法进行土地利用地图绘制，并针对地理位置和室内 / 室外进行筛选和半监督数据增强，从而最终实现了 76% 的准确性。

    Sep, 2016

  • 面向细粒度识别的地理感知网络

    本文系统考察了在细粒度图像分类中，如何利用地理位置信息来提高分类准确性，通过发布两个带有地理位置信息的数据集，实验结果表明，使用地理位置信息可以将模型的准确性从 70.1% 提高到 79.0%。研究还发现，针对资源有限的模型，建议使用特征调节模型，可以将模型准确性从 59.6% 提高到 72.2%。

    Jun, 2019

  • 利用航空参考图像进行广域图像地理定位

    本文旨在使用卷积神经网络来解决跨视角图像地理定位的问题，并介绍了用于地面图像和航拍图像的特征表示，并提出一种融合多个空间尺度提取的特征的网络架构，并通过实验表明其比现有方法更为优越。

    Oct, 2015

  • 世界上这张图片是在哪里？基于 Transformer 的野外地理定位

    本文提出了 TransLocator，这是一种基于双分支 Transformer 网络的方法，使用单一 RGB 图像和其语义分割图像进行地理定位和场景识别的多任务学习，其在四个基准数据集上均获得了比现有方法高的准确度。

    Apr, 2022

  • 利用 EfficientNet 和对比学习进行精准的全球位置估计

    本文提出了一种混合分类 - 检索方案，其中利用 EfficientNet 架构将图像分配到特定的地理单元，并使用训练有素的残差架构将输入图像映射到一个嵌入空间，以最小化相同位置图像的配对测地线距离，然后将两个模块与空间聚类方案相结合，通过搜索 - 单元内的聚合确定最终位置估计。结果表明，该方法的性能非常竞争，在 4 个公共数据集上均能取得新的最优表现。

    May, 2021