本文使用深度神经网络，并提出 3 种不同的方法，即描述符组合、融合和循环描述符，探讨如何利用时间序列信息来改善视觉地点识别的困难。研究结果表明，在两个公共数据库中，我们的方法比单视角和多视角基线产生更简洁且一致的描述符，进而改善了视觉地点识别的准确性。

Feb, 2019

本文提出一种利用深度神经网络的高阶层进行场所识别以及运用描述符归一化方案提高场所识别鲁棒性的方法，并在两个数据集上进行验证，结果显示相比于现有技术具有显著的改进。

Jan, 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

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

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

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

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

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

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