本文介绍了 Google Landmarks Dataset v2 (GLDv2)，它是迄今为止最大的数据集，在人工制造和自然地标的领域内进行了大规模的、细粒度的实例识别和图像检索，并具有极长的类分布、大量的测试相片以及大内部类的变异性等具有挑战性的特性。

Apr, 2020

本文提出了一种通过两阶段鉴别性重新排列解决数据集多样性问题的大规模地标图像检索的有效流程，该方法基于使用余弦 softmax 损失训练的卷积神经网络嵌入特征空间中的图像，通过 $k$ 最近邻搜索和软投票对检索结果进行排序，然后通过从未通过图像相似性检索的数据集中添加附加样本的方式进行插入，以克服检索图像的低视觉多样性。经过深入的实验结果表明，所提出的方法在挑战性的 Google Landmarks 数据集上明显优于现有的方法。

Mar, 2020

该论文探讨了图像检索的基本问题，提出了一种基于数据清洗和度量学习模型的解决方案，并采用一种名为 Corner-Cutmix 的数据增强方法，提高了模型识别多尺度和被遮挡地标图像的能力。

Aug, 2020

使用度量学习、迁移学习、微调、集成等方法，通过分类数码标志以提高模型性能，最终在 Google Landmark 检索比赛中获得第 1 名，并获得 0.38677 的 mAP@100 得分。

Aug, 2020

提出了一种高效的端到端方法，用于标注和排序地标图像，采用卷积神经网络将图像嵌入到高维特征空间，并使用视觉相似性分类图像，采用相似性重新排名预测，过滤噪声。使用该方法在 2020 年的 Google 地标识别挑战赛中获得了第一名。

Oct, 2020

探讨如何在全自动化的情况下，通过图片聚类，用户提供的标签以及建立高效的识别索引，对地标建筑和物体进行识别。通过对 500k 张巴黎图片数据集的分析，我们评估了不同的识别结果和方法的系统性能，以及他们对建筑、绘画或雕塑等不同类型的查询所产生的影响。

Sep, 2014

我们提出了一种高效的端到端管道，用于大规模地标识别和检索，演示如何结合和增强最近图像检索研究中的概念并介绍两种特别适用于大规模地标识别的架构：深度正交融合的全局和局部特征模型（DOLG）使用 EfficientNet 骨干和一种新的混合 Swin 变换器，讨论了如何使用逐步方法高效地训练两种架构，并提供了一个具有动态边缘的子中心 Arcface 损失，此外还详细阐述了一种新的判别式重新排名方法用于图像检索，我们的方法通过赢得 Google Landmark 竞赛 2021 的识别和检索赛道证明了其卓越性。

Oct, 2021

本文提出了一种名为多查询扩展的新框架，以通过使用潜在主题和协同过滤方法，检索语义上坚固的地标，实现从社交媒体中不同用户提供的具有不同几何信息的地标中检索类似地点的照片。

Jan, 2017

我们提出了一种基于卷积神经网络的关注局部特征描述符 DELF，它可以作为关键点探测器和描述符的一种替代品，能够产生可靠的置信度得分，能够有效地进行图像检索。我们对 Google-Landmarks 数据集进行了测试，结果表明 DELF 在大规模情况下优于最先进的全局和局部描述符。

Dec, 2016

本文提出了一种利用卷积神经网络提取特征并用地标定位网络确定区分性地标的方法，用于视觉地点识别问题，该方法在各种外观和视角变化方面均具有优异的性能。

Apr, 2019