Aug, 2016

利用地标分布描述符进行视觉场所识别

PDF
TL;DR本研究中，我们建立了从地标特征中提取的描述符，该描述符还编码了视图中地标的空间分布，匹配描述符然后强制实施地标在视图之间的相对位置的一致性，这对性能有显着影响。在 10 个图像对数据集上的实验中，每个数据集都由 200 个城市地点组成，观察位置和条件有显着差异，我们记 录了大约 70％ 的平均精度（在 100％ 召回率下），而使用整个图像 CNN 特征获得了 58％，[1] 方法获得了 50％。
convolutional neural networksvisual place recognitionlandmark featuresspatial distributionimage-pair datasets
发现论文，激发创造
  • 用于地点识别的区分性视觉地标定位

    本文提出了一种利用卷积神经网络提取特征并用地标定位网络确定区分性地标的方法，用于视觉地点识别问题，该方法在各种外观和视角变化方面均具有优异的性能。

    Apr, 2019

  • 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

  • 相机定位的场景标记检测改进

    基于场景地标检测的摄像头定位方法，采用卷积神经网络（CNN）检测少量特定的场景 3D 点或地标，并从相关的 2D-3D 对应中计算摄像头姿态，具有与基于 3D 结构的方法相当的准确性，但速度更快且使用存储空间更少。

    Jan, 2024

  • 面向视觉地点识别的大规模深度学习特征

    该研究通过训练两个卷积神经网络 (CNN) 架构来实现特定位置识别任务，并采用多尺度特征编码方法生成具备不变性的特征。通过建立具有变化外观的特定场所数据集 (SPED)，该研究综合评估了所训练的网络，并证明相对于其他场所识别算法和预训练的 CNN，其性能平均提升了 10%。

    Jan, 2017

  • 基于 Spatio-Semantic ConvNet 的视觉地点识别

    该研究提出了一种采用卷积神经网络（VGG16）的激活层对地点图像进行编码的视觉地点识别系统。该系统采用了类似于图像检索流程的两阶段方法，并在第二阶段使用 CNN 特征来编码语义和空间信息，其效果在常见基准数据集上明显优于其他方法。

    Sep, 2019

  • 场所识别：视觉角度概述

    该研究论文概述了地点识别领域的文献综述，介绍了传统的图像描述方法以及最近使用卷积神经网络进行视觉地点识别的进展。

    Jun, 2017

  • 面部特征点检测的深度结构预测

    本文提出了一种深度结构化面部标记检测方法，该方法使用深度卷积网络和条件随机场相结合，能够在面部标记检测上取得比现有技术更卓越的性能，特别是在包含大姿态和遮挡等具有挑战性的数据集上具备更好的泛化性能。

    Oct, 2020

  • 跨域视觉地点识别仅需要本地特征吗？

    本文研究使用基于空间验证的重新排序方法尝试解决视觉地方识别中光照和遮挡等困难问题，并给出了新的综合基准和两个具有挑战性的数据集。

    Apr, 2023

  • 使用域外样本支持大规模图像识别

    提出了一种高效的端到端方法，用于标注和排序地标图像，采用卷积神经网络将图像嵌入到高维特征空间，并使用视觉相似性分类图像，采用相似性重新排名预测，过滤噪声。使用该方法在 2020 年的 Google 地标识别挑战赛中获得了第一名。

    Oct, 2020

  • 利用结构线索增强视觉地点识别

    在这篇论文中，我们提出了使用结构线索来增强基于图像的位置识别，这是通过利用结构运动获得的，因此不需要为位置识别使用任何其他传感器，这是通过将基于图像的位置识别通常使用的 2D 卷积神经网络与从结构运动点云导出的体素网格作为输入的 3D CNN 相结合来完成的。我们评估了不同的方法来融合 2D 和 3D 特征，并通过全局平均汇集和简单的串联获得了最佳性能。在牛津机器人车数据集上，得到的描述符表现优于仅从一个输入模态性提取的描述符，包括最先进的基于图像的描述符。特别是在低描述符维度下，我们的表现超过最先进的描述符高达 90％。

    Feb, 2020