本文提出一种新型混合系统，使用 SeqNet 生成临时描述符，并结合单图片学习描述符进行选择性控制序列得分汇总，以创建高性能初始匹配假设生成器，进而在挑战性基准数据集上达到超越现有最先进方法的效果。

Feb, 2021

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

本文提出了一种将视觉场所识别模型与动力学神经网络相结合的新模型，利用两种分类的神经模型 FlyNet 和 CANN 实现了高性能和紧凑性，相较于 SeqSLAM、Multi-Process Fusion 和 LoST-X 方法，该模型在两个真实世界数据集上表现优异，可以在日夜转换下获得 87％的 AUC 结果，速度分别比较三种算法快 6.5 倍，310 倍和 1.5 倍。

Oct, 2019

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。

Mar, 2019

通过研究紧凑卷积网络架构和后训练量化对视觉地点识别（VPR）性能的影响，我们不仅通过 recall@1 分数测量性能，还测量内存消耗和延迟，为受资源限制的 VPR 系统提供了设计建议。

Dec, 2023

通过将地点识别视为回归问题，使用相机视野重叠作为相似性标准进行学习，使图像描述符与评级相似性标签直接对齐，提高排名能力，同时节省昂贵的重排操作，实现了高效数据训练和在多个基准数据集上的强大泛化。

Jan, 2024

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

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

本文研究使用基于空间验证的重新排序方法尝试解决视觉地方识别中光照和遮挡等困难问题，并给出了新的综合基准和两个具有挑战性的数据集。

Apr, 2023

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