本文分析了如何利用 Google 地图上的遥感图像进行城市规模的树木检测与物种识别，并提出了一种基于卷积神经网络的分类方法以及一种树木改变监测方法。通过实验证明该方法能够检测出超过 70% 的城市树木，正确地对超过 80% 的 40 种不同类型的树木物种进行分类，以及正确地检测并识别超过 90% 的变化操作。

Oct, 2019

提出利用深度学习技术和手机影像进行城市街道树木清查的创新方法，通过智能手机摄像头捕捉的图像来准确分割树干并计算胸径，具有优越的准确度、对专门设备的依赖较少以及适用于难以到达的地区等多项优点。在包括 400 棵树的广泛数据集上进行评估，得到了胸径估计误差小于 2.5% 的准确度，该方法有望显著提升森林管理实践，并通过提高树木清查的准确性和效率，为城市管理应对森林砍伐和气候变化的不良影响提供支持。

Jan, 2024

本文提出了一种基于街景图像的自动检测并计算感兴趣的重复固定对象的 GPS 坐标的方法，使用两个全卷积神经网络进行处理并使用一种新颖的自定义马尔可夫随机场模型进行三角化，实验证明了本方法的有效性。

Aug, 2017

通过使用有限数据集和深度学习，在高分辨率航拍图像中绘制城市树木的方法被提出，结合街道边缘的准确点标签和开放地理数据库的众包注释，使用全卷积神经网络进行语义分割。

Nov, 2023

研究利用 RGB 和多光谱无人机数据，欧盟规定下还加入多光谱卫星数据和土壤湿度传感器，生成城市公园和森林的树木清单并通过统计指数和深度学习推导出树木生命状态，提出了一个开源的端到端方法来优化城市和森林中树木的管理，提高工作效率和任务规划。

Jul, 2023

使用街景图像进行定位时，精细定位角度的准确度对于提高街景图像的定位和地理定位任务的性能至关重要。本研究提出了两种方法，实现了对街景图像角度的细致估计，相较于以前的方法，准确度提高了 34.9% 至 28.2%。在训练中整合了精细定位角度估计，进一步提升了地理定位的性能。

Jul, 2023

本文提出了一种使用 Google Street View 中地理标记全景作为全局定位源的新方法，通过追踪短单眼相机序列中的特征点，估计 3D 位置，然后计算 Street View 全景图与估计点之间的刚体变换，进而实现了机器人自动测距。

Mar, 2015

该论文介绍了一种利用多任务架构，通过学习从卫星图像合成逼真街景的方法来解决街景图像地理定位的问题，并在 CVUSA 和 CVACT 基准测试中取得了最先进的表现。

Mar, 2021

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

我们提出了一种基于 Transformer 的端到端架构，通过层次交叉注意力利用不同地理层次和相应的视觉场景信息来确定照片的确切纬度和经度，实现了在四个标准地理位置数据集上的最新成果，并介绍了一个更困难的测试数据集，从 Google Streetview 中覆盖整个地球，并呈现出最新的结果。

Mar, 2023