本文针对跨视域地理定位领域的前沿方法、技术和挑战进行了综述，着重介绍了基于特征和深度学习策略。研究涵盖了建立不同视点之间对应关系的基于特征的方法，以及采用卷积神经网络嵌入视图不变属性的深度学习方法。对跨视域地理定位遇到的各种挑战进行了探讨，如视点和照明的变化、遮挡的发生，并提出了相应的创新解决方案。此外，本文介绍了基准数据集和评估指标，并对最先进技术进行了比较分析。最后，对未来研究以及跨视域地理定位在全球复杂网络环境中蓬勃发展的应用进行了讨论。

Jun, 2024

本研究提出了一种基于条件 GAN 的新方法，通过合成俯视图像，将两个视图之间的差距最小化，实现了对视觉实体的跨视图建模并进行特征融合，最终在 CVUSA 数据集上成功实现了景点检索任务。

Apr, 2019

本文旨在使用卷积神经网络来解决跨视角图像地理定位的问题，并介绍了用于地面图像和航拍图像的特征表示，并提出一种融合多个空间尺度提取的特征的网络架构，并通过实验表明其比现有方法更为优越。

Oct, 2015

本文提出了一种车载摄像机定位的解决方案，通过神经网络和几何投影模型实现从地面图像匹配到高空卫星地图上，并把匹配问题转化为姿态估计问题来提高定位精度。

Apr, 2022

本文针对在地面视图图像查询给定地理参考卫星地图的定位问题提出了一种基于 CVM-Net 的 Markov 定位框架，通过更广泛的实验结果和分析，它扩展了我们早期关于 CVM-Net 的工作，并提出了一种 Markov 定位框架，该框架可以在可用的地面图像流视频的情况下增强地理定位结果。实验结果表明，我们提出的 Markov 定位框架可以在新加坡数据集上持续实现小误差内的车辆定位。

Mar, 2019

提出了 ConGeo 方法，通过增强特征表示的鲁棒性和一致性，提高模型对方向和视场变化的不变性和韧性，从而显著提升了交叉视图地理定位的性能，并超过了针对每个地面视图变化训练单独模型的竞争方法。

Mar, 2024

我们提出了 BEV-CV 方法，该方法通过将地面图像转化为语义鸟瞰图进行嵌入匹配，并引入了一种归一化温度缩放的交叉熵损失函数，相比标准三元损失函数具有更快的收敛速度。BEV-CV 在 70 度裁剪图上实现了最新的召回率准确性，其特征提取 Top-1 率提高了 300% 以上，Top-1% 率提高了约 150%，对于方向感知应用，我们在 70 度裁剪图上实现了 35% 的 Top-1 准确率提高。

Dec, 2023

GeoDTR + 通过增强的 Geometric Layout Extractor 模块以及 Contrastive Hard Samples Generation 实现了在 CVUSA、CVACT 和 VIGOR 等数据集上相对较高的交叉区域准确率，并保持了与现有方法相当的同一区域准确率。

Aug, 2023

本文基于深度卷积神经网络，提出了一个新的框架，用于跨视角图像地理定位，包括 Faster R-CNN 和 Siamese 网络，并将其在一个新的数据集上进行了评估，结果表明该方法比其他方法具有更好的定位精度，并能够推广到未见过的位置。

Mar, 2017

本文提出了一种名为特征分割与区域对齐 (FSRA) 的简单有效的转换器结构，用于加强模型理解上下文信息以及实例分布的能力，从而为解决无人机和卫星等不同视角下的地理图像匹配问题提供了一个新的解决方案，经过实验证明，该方法的性能卓越且达到了迄今为止在无人机目标定位和导航中的最佳表现。

Jan, 2022