街景图像中物体的自动发现和地理标记
本研究提出了一种新方法,通过整合深度学习、图像处理和几何计算来解决观测车辆定位问题,通过移动传感器或 MV 上搭载的单目摄像头,可以成功地动态地估计车辆的经纬度信息。
Mar, 2022
本文提出了使用街景 RGB 图像进行多类物体地理定位和高度估计的流程,通过 Markov 随机场优化得到确定性输出,该技术使用图像元数据以及在图像平面上检测到的物体的坐标,计算物体高度,其对总体计算成本的影响可忽略不计。作者通过实验证明,在水管和路标的平均海拔估计误差低于 20 厘米。
May, 2023
本文提出了一种使用 Google Street View 中地理标记全景作为全局定位源的新方法,通过追踪短单眼相机序列中的特征点,估计 3D 位置,然后计算 Street View 全景图与估计点之间的刚体变换,进而实现了机器人自动测距。
Mar, 2015
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
本文基于深度卷积神经网络,提出了一个新的框架,用于跨视角图像地理定位,包括 Faster R-CNN 和 Siamese 网络,并将其在一个新的数据集上进行了评估,结果表明该方法比其他方法具有更好的定位精度,并能够推广到未见过的位置。
Mar, 2017
本文提出一种新颖的方法,通过识别和匹配道路和交叉口,实现对空中图像进行自动地理定位,并且使用 OpenStreetMap 收集地面真实道路注释,在数个实验中体现了高精度的本地化效果,同时还表明检测到的道路和以前手动标记的地图之间的几何对准可以有效地用于改进道路检测结果。
May, 2016
通过研究路面对 3D 检测提供的额外信息,提出了一种嵌入式神经网络,能够充分利用这些应用程序特定的先验知识,从而实现使用单个 RGB 摄像机确定环境中对象的位置和方向的三维目标检测。
Feb, 2021
本研究旨在解决使用分布式摄像头网络进行地理空间物体跟踪的问题,界定物体的地理空间坐标和物体位置的不确定性,提出了一个新颖的单个物体地理空间跟踪数据集,并探讨了不确定性校准和通过可微的跟踪器对模型进行微调对性能的影响。
Jun, 2023
本文提出了一种基于图神经网络的方法,通过对于场景中物体的空间关系,从单目图像中预测出鸟瞰地图中的物体,从而解决了现有基于纹理的模型在距离摄像机较远时定位错误率增加的问题,并在三个大规模数据集上取得了最新的最佳结果,包括了相对于 nuScenes 数据集上 50% 的提升。
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