通过一系列新兴的基于语义和外观的技术，使用卷积特征图从一种状态到另一种状态的本地语义张量（LoST）表述，以及从语义上开采显着的关键点对应来实现高性能的地方识别。

Apr, 2018

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

基于视觉特征的图像识别的主要挑战是从不同视点识别地点，为了克服这个限制，我们提出了一种名为 EigenPlaces 的新方法，通过从不同视角聚类训练数据，将视点的稳健性融入到学习的全局描述符中，实验证明 EigenPlaces 在大多数数据集上表现优于现有方法，并且训练时所需的 GPU 内存减少了 60％，描述符的大小减小了 50％。

Aug, 2023

本文綜合評估和比較了三種先進的 ConvNets 在導航機器人的特定挑戰中的實用性，並優化了現有 (局部敏感哈希) 和新的 (語義搜索空間劃分) 優化技術，實現了基於 ConvNets 實時地點識別性能的提升，證實了語義地點分類的網絡也在 (特定) 地點識別方面表現更好。

Jan, 2015

本研究提出了一种新的深度 - 时间感知视觉地点识别系统，通过提取深度过滤关键点序列，对与单个查询图像中的关键点进行比较，解决了对立的视角和极端外观变化视觉地点识别问题，实验证明在多个基准数据集上表现优异，还进行了一系列模拟实验，以表征深度过滤关键点序列在关键域参数方面的贡献。

Feb, 2019

通过将地点识别视为回归问题，使用相机视野重叠作为相似性标准进行学习，使图像描述符与评级相似性标签直接对齐，提高排名能力，同时节省昂贵的重排操作，实现了高效数据训练和在多个基准数据集上的强大泛化。

Jan, 2024

通过对 Nordland 数据集进行预处理和划分，同时采用预训练、siamese 以及三元组等多种神经网络结构，在单视角地点识别的研究中取得了领先的结果，克服了天气变化等问题。

Aug, 2018

本文提出一种轻量化的视觉地点识别方法，具备低计算成本的高性能，适用于面临视角和外观变化的移动机器人。通过多个基准数据集的结果证实，相对于现有方法，平均准确率提升 13%，平均速度提升 12 倍。

Nov, 2018

使用全景相机的视觉地点识别方法提出了新的全向卷积神经网络 (O-CNN) 来处理极端相机姿态变化，并通过距离估计提出了启发式策略来为机器人导航，从而实现以最小距离寻找任务。

Mar, 2018

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