本文介绍了一种基于 CNN 模型的场所识别技术，在空间和时间维度上使用组合得到 CNN 模型的强大特征，并应用于一些基准数据集进行评估，该技术在召回率上取得了 75％的提升和 100％精度，明显优于之前所有的最新技术。在本文中，还对所有 21 个层的特征进行了全面的性能比较，包括基准数据集和一个具有更大视角变化的第二个数据集。

Nov, 2014

本文綜合評估和比較了三種先進的 ConvNets 在導航機器人的特定挑戰中的實用性，並優化了現有 (局部敏感哈希) 和新的 (語義搜索空間劃分) 優化技術，實現了基於 ConvNets 實時地點識別性能的提升，證實了語義地點分類的網絡也在 (特定) 地點識別方面表現更好。

Jan, 2015

该研究提出了一种采用卷积神经网络（VGG16）的激活层对地点图像进行编码的视觉地点识别系统。该系统采用了类似于图像检索流程的两阶段方法，并在第二阶段使用 CNN 特征来编码语义和空间信息，其效果在常见基准数据集上明显优于其他方法。

Sep, 2019

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

在机器人领域，脉冲神经网络（SNNs）在神经元形态硬件上的实现为其高效能源、低延迟带来了巨大的潜力。我们的论文着重介绍了 SNN 在视觉场所识别（VPR）中的三个创新。首先，我们提出模块化 SNN，每个 SNN 代表一组非重叠的地理位置，为大型环境提供可扩展的网络。其次，我们提出模块化 SNN 集合，多个网络代表同一地点，与单一网络模型相比显著提高了准确性。我们的 SNN 非常紧凑且小巧，仅含有 1500 个神经元和 474k 个突触，因此非常适合进行集合操作。最后，我们研究了序列匹配在基于 SNN 的 VPR 中的作用，这是一种使用连续图像进行场所识别的技术。我们分析了 SNN 对集合操作和序列匹配的响应性，并与其他 VPR 技术进行了比较。我们的贡献突出了 SNN 在 VPR 中的可行性，提供了可扩展和稳健的解决方案，为其在各种对能源敏感的机器人任务中的应用铺平了道路。

Nov, 2023

本文提出一种轻量化的视觉地点识别方法，具备低计算成本的高性能，适用于面临视角和外观变化的移动机器人。通过多个基准数据集的结果证实，相对于现有方法，平均准确率提升 13%，平均速度提升 12 倍。

Nov, 2018

本文提出一种利用深度神经网络的高阶层进行场所识别以及运用描述符归一化方案提高场所识别鲁棒性的方法，并在两个数据集上进行验证，结果显示相比于现有技术具有显著的改进。

Jan, 2018

该研究通过训练两个卷积神经网络 (CNN) 架构来实现特定位置识别任务，并采用多尺度特征编码方法生成具备不变性的特征。通过建立具有变化外观的特定场所数据集 (SPED)，该研究综合评估了所训练的网络，并证明相对于其他场所识别算法和预训练的 CNN，其性能平均提升了 10%。

Jan, 2017

本文提出了一个新的卷积神经网络结构 NetVLAD，通过基于新的弱监督排序损失的训练过程，从 Google 街景中的时间机器下载的图片中，快速和准确地识别所查询照片的位置。同时，该网络结构在两个具有挑战性的地点识别基准测试中优于非学习图像表示和现成卷积神经网络描述符，同时也改善了标准图像检索基准测试上的现有最先进的紧凑图像表示。

Nov, 2015

本文比较了虫子灵感启发的稀疏神经网络 FlyHash 模型与类似但不稀疏的模型在体感导航任务中的效率，并得出结论：FlyHash 模型在数据编码方面尤其高效。

Mar, 2023