基于特征的地理定位依赖于将从航空影像中提取的特征与车辆传感器检测到的特征进行关联。本文中，我们提出了一种基于动态加权因子图模型的车辆轨迹估计方法，通过使用 LiDAR 传感器执行的检测中的信息量化来调整权重。同时，在模型中包含了基于 GNSS 的先验（错误）估计。当表示变得模糊或稀疏时，权重会动态调整以依赖于修正后的先验轨迹，从而减少异常值和偏差。我们在一个具有挑战性的模糊环境中与最先进的地理定位方法进行比较，并在其中引起检测损失。我们证明了在其他方法失败的情况下，我们的方法可以减轻所述缺点。

Nov, 2023

本文提出了一种紧凑型次级融合网络 (Compact Twice Fusion Network, CTFN)，其中包括语义增强模块 (Semantic Enhancement Module, SEM) 和伪像素级加权模块 (Pseudo Pixel-level Weighting, PPW) 以完全整合多尺度特征，以及一种名为动态聚焦损失的新型损失函数，可用于处理纹理噪声干扰带来的分类挑战，在三个数据集上评估，CTFN 在参数和计算成本上均优于现有最先进方法。

Jul, 2023

本文描述了一种层次双任务驱动的深度模型，用于多模态场景感知，包括图像融合和场景理解。该模型不仅能够产生视觉良好的融合结果，而且比现有技术实现了显著的检测和分割优势。

May, 2023

本论文研究了怎样在卷积神经网络中实现多尺度特征表示，提出了一种注重对每个像素位置进行加权的注意力机制。通过对三个大型数据集的广泛实验，证明了该方法的有效性。

Nov, 2015

本文提出了一种基于统一框架的低级像素视觉问题解决方法，通过选择性整合模块和任务自适应注意力模块实现，经实验验证不同的任务可以在同一个框架下进行训练，并在多个代表性数据集上证明了该方法的有效性。

Apr, 2020

本文提出了一种将高级语义隐式嵌入到检测和描述过程中的语义感知检测器来提高视觉定位准确度的方法，大幅降低了对于外观变化敏感的特征数量，增强了与语义相关的区域的描述符辨别能力，该方法在 Aachen Day-Night 和 RobotCar-Seasons 数据集上的实验表明，在使用 2k 和 4k 关键点的情况下，与先前的本地特征相比，我们的模型表现更好，且速度更快。

Apr, 2023

我们提出了一种新颖的迟期双时期特征融合网络来解决地理科学和地球观测中的语义变化检测问题。通过引入局部全局注意聚合模块和局部全局上下文增强模块，我们的模型在两个公共数据集上取得了最新的最佳性能。

Jun, 2024

本研究提出了一种高效的统一框架 D2BNet，该框架可以同时解决多个常见的感知任务，如实例分割、语义分割、单目 3D 检测和深度估计，并在 nuScenes 和 Cityscapes 等数据集中实现了与以往作品相当的结果和最佳结果。

Jun, 2023

我们的工作解决了计算机视觉中图像分割的基本挑战，提出了一种增强的无监督卷积神经网络算法 DynaSeg，通过自动化参数调整来灵活适应图像细节，并通过引入 Silhouette Score Phase 解决了动态聚类的挑战，同时整合了 CNN-based 和预训练的 ResNet 特征提取，取得了在多个数据集上的最先进结果，相对于 COCO-All 和 COCO-Stuff 当前基准分别提高了 12.2% 和 14.12%，该方法消除了对细致的参数调整的需求，解决了实际场景中可扩展性的问题。

May, 2024

该论文提出了一种基于层次化注意力融合网络和多尺度特征的 2D 图像检索方法，通过自监督训练控制特征强调的权重，实现了对地理定位场景的精确定位。实验结果表明，该方法优于现有的最先进方法。

Feb, 2021