本文提出一种基于图像的定位方法,针对图像检索领域的发展,将大量的参考图像整理为一种可以满足导航系统要求的地标集合,并通过网络流问题的框架为紧凑的地图表示和准确的自我定位提供了可行方案。
Dec, 2018
通过优化映射高维直方图到低维欧氏空间的深度网络,学习代表无序点云中点周围局部几何的特征,其表现出比现有局部特征更高的精度、紧凑性和鲁棒性,可在机器人和三维视觉的不同应用中进行几何配准。
Sep, 2017
本文提出了将深度图像分类方法与原始的 Im2GPS 方法相结合,同时应用核密度估计来估计查询图片的地理位置,结果表明使用分类损失的网络训练比其他典型用于检索应用的深度特征学习方法(如对比学习和三元组损失的同构网络)表现更好,提高了地理定位的准确性并且需要更少的训练数据。
May, 2017
本研究对本地特征匹配方法进行了全面的综述,将其分类为基于探测器和不基于探测器两类,并探索了其在不同领域的实际应用和面临的当前挑战,以及未来的研究方向。
Jan, 2024
该论文提出了一种利用深度学习技术进行分层定位的方法,仅在候选位置上计算 2D-3D 匹配的精确位姿估计,从而实现在流行的移动平台上实时运行并拥有最先进的本地化性能,为机器人研究带来了新的前景。
Sep, 2018
本文提出了一种利用深度学习框架将每个像素映射到特征空间的方法来构建人类图像之间的密集对应关系,并提出了新的损失函数来推动特征根据它们在表面上的测地距离分开,实现视觉上相似的部分差异化以及通过统一的特征空间对不同的主题进行对齐,实验结果表明,该特征空间可以对图像之间产生准确的对应关系,并具有明显的推广能力。
Mar, 2021
本文介绍了一种基于超级特征的深度图像检索架构,只需要图像标签即可训练。超级特征由迭代的注意模块构建,通过对 Super-features 实施对比损失来匹配图像。与局部特征相比,这种方法在存储空间方面具有显着优势,并在常见地标检索基准上表现出比现有方法更好的效果。
Jan, 2022
本研究提出了一种基于多视图三角化和非线性最小二乘的方法来优化局部图像特征的定位精度,实验证明该方法能够提高手工制作和学习的局部特征的三角化和相机定位性能。
Mar, 2020
本文提出了一种基于图像的定位方法,使用本地特征和稀疏的三维模型进行全球规模的离线和在线实时客户端姿态融合,实现低延迟本地化查询,证明了该方法在大规模模型上的有效性。
Jun, 2019
本文介绍了解决传统视觉定位和建图中局部特征不一致的问题的第一个原则性解决方案,并在各种手工制作的和学习的特征的最新基准测试中证明了其有效性。
Dec, 2020