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

提出了 ConGeo 方法，通过增强特征表示的鲁棒性和一致性，提高模型对方向和视场变化的不变性和韧性，从而显著提升了交叉视图地理定位的性能，并超过了针对每个地面视图变化训练单独模型的竞争方法。

Mar, 2024

本文使用新型网络结构和更密集的卫星图像描述符进行多模式区域定位，可将度量定位误差中位数相对于同一区域、跨区域和跨时间的现有技术分别降低 51％、37％和 28％。

Aug, 2022

卫星街景信息提取通过跨视图匹配来提取给定街景图像查询的位置和方向信息，近期的工作在一个使用一个基于 GPS 的以某个位置为中心的卫星图像覆盖的局部区域内找到准确的信息。我们提出了具有多尺度搜索的 PetalView 提取器，它在两个截然不同的视图中提供语义上有意义的特征，并且多尺度搜索策略有效地对卫星图像进行细粒度的检查，以提供亚米和亚度级别的精确提取。此外，当给出角度先验时，我们还提出了可学习的先验角度混合器来利用这些信息。我们的方法在 VIGOR 数据集上获得最佳性能，并在 KITTI 数据集测试 1 集中的位置估计上实现了回忆率在 1 米内达到 68.88％，1 度内达到 21.10％，当没有角度先验时，通过角度先验达到的回忆率与 1 米和 1 度以上的稳定估计值达到 70％和 21％，在 40 度噪声水平上。

Jun, 2024

本文针对跨视域地理定位领域的前沿方法、技术和挑战进行了综述，着重介绍了基于特征和深度学习策略。研究涵盖了建立不同视点之间对应关系的基于特征的方法，以及采用卷积神经网络嵌入视图不变属性的深度学习方法。对跨视域地理定位遇到的各种挑战进行了探讨，如视点和照明的变化、遮挡的发生，并提出了相应的创新解决方案。此外，本文介绍了基准数据集和评估指标，并对最先进技术进行了比较分析。最后，对未来研究以及跨视域地理定位在全球复杂网络环境中蓬勃发展的应用进行了讨论。

Jun, 2024

使用鸟瞰图作为嵌入表示的新型可训练的检索体系结构，在交叉视图地理定位任务中表现出色，特别在挑战性的多对一情景中有效，并且能够推断匹配航空图像上的 3 自由度摄像机姿态，甚至比明确通过度量真值进行培训的最新方法具有更低的平均姿态误差。

Dec, 2023

本文提出了一种动态相似度匹配网络，通过使用极坐标变换来大致对齐空中图像，学习地面和变换后空中图像的深度特征，并通过计算跨视图特征之间的相关性来获得定位时的方向，从而提高了十字视图地理定位准确性。

May, 2020

本文提出了一种车载摄像机定位的解决方案，通过神经网络和几何投影模型实现从地面图像匹配到高空卫星地图上，并把匹配问题转化为姿态估计问题来提高定位精度。

Apr, 2022

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

视觉地理定位方法的多阶段课程学习以及全局和局部特征的关键点检测、描述和位置调整使其成为一种实用的视觉地理定位解决方案，取得了高召回率的好成绩。

Nov, 2023