本论文描述了一个 10 百万场景照片的库，利用卷积神经网络进行图像场景分类，具有高覆盖率和高多样性的实例，为解决目前难以解决的视觉识别问题提供了生态系统。

Oct, 2016

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

基于视觉特征的图像识别的主要挑战是从不同视点识别地点，为了克服这个限制，我们提出了一种名为 EigenPlaces 的新方法，通过从不同视角聚类训练数据，将视点的稳健性融入到学习的全局描述符中，实验证明 EigenPlaces 在大多数数据集上表现优于现有方法，并且训练时所需的 GPU 内存减少了 60％，描述符的大小减小了 50％。

Aug, 2023

该研究论文概述了地点识别领域的文献综述，介绍了传统的图像描述方法以及最近使用卷积神经网络进行视觉地点识别的进展。

Jun, 2017

本研究旨在通过多尺度注意力模块，实现从视觉和语义内容中学习鲁棒全局嵌入以及动态引导的分割过程，以提高视觉地点识别的准确性，同时提出第一个适用于地点识别和分割任务的合成世界数据集，实验证明方法在不同情景下具有良好性能。

Jan, 2022

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

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

本文探讨了移动定位服务，大型地点图和地点去重等问题，并提出了一种基于数据驱动的两步式流程来解决 Facebook 匿名地点图中地点重复的问题，该流程基于多个新技术的地点嵌入方法，比现有技术有显著改进。

Sep, 2019

研究了社交媒体文本与所发布地点类型之间的关系，提出了一个包含大约 200,000 条英文推文的新数据集，用于预测推文所发布的位置类型，并训练分类器来预测推文所发送的位置类型，能够达到宏观 F1 值 43.67，并揭示了与每种类型场所相关的语言标记，这种能够从推文中预测语义场所信息的能力在推荐系统、个性化服务和文化地理学中应用广泛。

Sep, 2020

提出了一种新的融合网络 EINet，利用 LiDAR 和摄像头数据实现了多模态特征的显式交互，并在 nuScenes 数据集上建立了一个新的基准，实验结果表明，相比现有的融合式地点识别方法，EINet 具有更好的识别性能和稳健的泛化能力。

Feb, 2024