ICCVJun, 2019

面向细粒度识别的地理感知网络

PDF
TL;DR本文系统考察了在细粒度图像分类中，如何利用地理位置信息来提高分类准确性，通过发布两个带有地理位置信息的数据集，实验结果表明，使用地理位置信息可以将模型的准确性从 70.1% 提高到 79.0%。研究还发现，针对资源有限的模型，建议使用特征调节模型，可以将模型准确性从 59.6% 提高到 72.2%。
fine-grained recognitiongeolocationimage classificationdatasetaccuracy
发现论文，激发创造
  • 利用位置上下文提高图像分类

    本研究通过利用 GPS 坐标，探索了将位置信息与卷积神经网络相结合进行图像分类的方法，并在 Yahoo Flickr Creative Commons 100M 数据集的子集上进行了评估，证明了这种方法可以使平均精度提高近 7%。

    May, 2015

  • 深度学习时代的 IM2GPS 重访

    本文提出了将深度图像分类方法与原始的 Im2GPS 方法相结合，同时应用核密度估计来估计查询图片的地理位置，结果表明使用分类损失的网络训练比其他典型用于检索应用的深度特征学习方法（如对比学习和三元组损失的同构网络）表现更好，提高了地理定位的准确性并且需要更少的训练数据。

    May, 2017

  • 细粒度图像分类的现存地理先验

    提出了一种高效的时空先验模型，通过考虑地理位置和时间等因素，建立对象在空间和时间上的分布概率模型，进而提高图像分类性能。

    Jun, 2019

  • CPlaNet: 通过组合式地图划分增强图像地理定位

    提出了一种称为组合划分的简单但有效的算法，该算法通过相交多个粗粒度分割地球的分割方式，生成大量细粒度的输出类，使我们能够在细粒度上预测位置，同时为每个类别保持足够的训练示例。该算法在多个基准数据集上实现了最先进的位置识别性能。

    Aug, 2018

  • 可解释的语义化照片地理定位

    介绍了使用语义分割和特征分析方法来提高星球级照片定位准确性和可解释性。

    Apr, 2021

  • 通过地面图像和手机 GPS 定位的准确深度直接地理定位

    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

  • PlaNet - 基于卷积神经网络进行照片地理定位

    本文采用卷积神经网络以及深度学习方法，通过对地球表面进行多尺度地理单元的细分，结合图像中的地标、天气模式、植被、道路标记和建筑细节等线索，利用海量地理标记图像进行分类，建立了一个名为 PlaNet 的模型，旨在通过照片图像实现定位识别，并结合长短时记忆神经网络，提高模型识别不确定图片的地理定位准确率。

    Feb, 2016

  • 利用 EfficientNet 和对比学习进行精准的全球位置估计

    本文提出了一种混合分类 - 检索方案，其中利用 EfficientNet 架构将图像分配到特定的地理单元，并使用训练有素的残差架构将输入图像映射到一个嵌入空间，以最小化相同位置图像的配对测地线距离，然后将两个模块与空间聚类方案相结合，通过搜索 - 单元内的聚合确定最终位置估计。结果表明，该方法的性能非常竞争，在 4 个公共数据集上均能取得新的最优表现。

    May, 2021

  • 利用选择性预测提高可靠的图像地理定位

    本文提出了一个选择性预测方法来解决图片适合地理定位问题，其中包括两个选型函数，能够将不可定位的图片排除预测，大大提高了城市规模的地理定位精度，使得现有的地理定位模型在实际应用中更加可靠。

    Nov, 2021

  • LLMGeo: 大规模语言模型在野外图像地理定位中的基准测试

    利用多模态语言模型，我们系统评估其图片地理定位能力，并通过新的图像数据集和全面的评估框架进行训练及非训练的评估。结果表明，闭源模型展示出更好的地理定位能力，而开源模型通过微调可达到相当的性能。

    May, 2024