Mar, 2019

多进程融合：使用多种图像处理方法进行视觉地点识别

PDF
TL;DR该论文提出了一种多传感器融合、动态匹配序列长度技术和自动处理方法权重方案相结合的新颖的图像处理方法，在识别质量度量分析的基础上，提高了定位的性能要求，实现了优于两种最先进的视觉地点识别系统的结果。
visual place recognition techniquesmulti-sensor fusiondynamic sequence matching techniqueautomatic processing method weighting schemeperformance improvement
发现论文，激发创造
  • 条件不变的多视角地点识别

    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

  • LCPR: 基于多尺度注意力的 LiDAR 相机融合网络用于地点识别

    提出了一种名为 LCPR 的新型神经网络，该网络融合 LiDAR 点云和多视角 RGB 图像，生成环境的具有区分性和偏航旋转不变性的表示，从而提高了地点识别性能并保持了对视角变化的强鲁棒性。

    Nov, 2023

  • 具有潜在接触的挑战交叉场景中的相机 - LiDAR 融合用于地点识别

    本文介绍了一种新颖的三通道场所描述符，由图像、点云和融合分支组成，利用相机与激光雷达之间的相关性进行信息交互和融合，从而实现在具有透视变化、季节变化和场景变换等挑战性环境中进行地点识别。在 KITTI、NCLT、USVInland 和校园数据集上的大量实验证明，所提出的场所描述符是当前最先进的方法，证实了它在复杂场景中的稳健性和普适性。

    Oct, 2023

  • 多技术顺序信息一致性在变化环境中的动态视觉地点识别

    多顺序信息一致性 (多音乐) 是一个利用顺序信息在在线每帧基础上选择最具连贯性技术的 VPR 系统，通过分析各技术的前几个匹配候选的帧间连续性，然后直接进行比较选择当前查询图像的最佳技术，该系统在不同基准数据集上提高了整体 VPR 性能，避免了对运行时环境的额外准确场景。

    Jan, 2024

  • 动态调节视觉地点识别序列长度以达到最低可接受性能场景

    使用校准数据集拟合模型，以覆盖目标定位性能，通过调整序列长度来最大化满足或超出目标性能的数据集部分的数量，同时最小化使用的中位长度。

    Jul, 2024

  • SeqNetVLAD vs PointNetVLAD: 白天黑夜场所识别中的图像序列与三维点云

    比较三维点云方法和基于图像序列的方法在场所识别性能上的差异，结果表明对于特定度量跨度，基于图像序列的技术可以接近甚至超过基于点云的方法的表现。

    Jun, 2021

  • 使用事件传感器进行图像数据库中的跨模态地点识别

    本文提出一种首个跨模态的视觉定位识别框架，结合事件相机和正常相机，通过检索数据库中的正常图像对事件查询进行匹配，验证在不同场景下该方法具有比当前的基于帧和事件的方法更好的效果。

    Jul, 2023

  • 融合式地点识别中的明确交互

    提出了一种新的融合网络 EINet，利用 LiDAR 和摄像头数据实现了多模态特征的显式交互，并在 nuScenes 数据集上建立了一个新的基准，实验结果表明，相比现有的融合式地点识别方法，EINet 具有更好的识别性能和稳健的泛化能力。

    Feb, 2024

  • 基于时空注意力的序列描述符学习用于视觉地点识别

    本文提出了一种序列化描述符提取方法，以有效地融合时空信息并生成有区别的描述符，使用滑动窗口来控制时间自我关注范围，并采用相对位置编码来构建不同特征之间的位置关系，从而捕捉帧序列中的固有动态和局部特征运动。

    May, 2023

  • 基于序列匹配过载表征的快速、紧凑且高度可扩展的视觉地点识别

    本研究提出了一种新的机器人空间数据可视化算法，实现了超紧凑的空间表示，接近次线性存储缩放和极轻量计算需求，并将散列过载方法应用于过程中，使得在匹配 100 帧序列时，每个空间定位点仅需 8 字节存储和 37k 个单元操作即可达到超过 50％的检索率

    Jan, 2020