AAAIDec, 2020

DenserNet: 使用多尺度特征聚合的弱监督视觉定位

PDF
TL;DR本文介绍了一种 Denser Feature Network 用于视觉定位，提出了一种新型的卷积神经网络，采用更密集的特征图来提高图像检索准确性和关键点特征的重复性，仅需要正负 GPS 标记图像对来训练模型。实验表明，该方法在四个具有挑战性的大规模定位基准测试和三个图像检索基准测试上都取得了优秀的表现。
denser feature networkvisual localizationconvolutional neural networkweakly supervisedlarge-scale localization
发现论文，激发创造
  • D2-Net: 一个可训练卷积神经网络，用于局部特征的联合检测和描述

    本文提出了一种使用卷积神经网络在像素级别取得可靠对应的方法，该模型可以同时作为密集特征描述符和特征检测器，并且在后期检测可以获得比传统低级结构的更稳定的关键点，从而实现了在无法获取更多注释信息的情况下训练该模型，该方法可以在难以定位的数据集（Aachen Day-Night localization dataset）和室内定位测试基准（InLoc indoor localization benchmark）中获得最先进的表现，同时在其他图像匹配和 3D 重建基准测试中也有竞争力。

    May, 2019

  • 用于高效地标定位的量化密集连接 U-Net

    本文提出了针对视觉地标定位的量化密集连接 U-Nets，通过采用 order-K 密集连接，并使用内存高效的实现来提高训练效率，以及使用低位宽数字量化权重、输入和梯度来降低内存消耗和高精度操作，实现了比其他基准定位器使用约 70% 更少参数、98% 更小的模型尺寸以及节省约 75% 训练内存的优异定位精度。

    Aug, 2018

  • 联合声音分类和定位神经网络中的特征聚合

    该研究讨论了深度学习技术在联合声音信号分类和定位网络中的应用。通过引入特征聚合技术，研究结果表明将特征聚合应用于声音检测神经网络可以提高其性能，特别是在到达方向回归上。

    Oct, 2023

  • 学习产生半密集对应关系进行视觉定位

    在夜间场景、恶劣天气和季节变化等苛刻条件下进行视觉定位是一项具有挑战性的任务。本研究提出了一种新颖的定位方法，通过提取可靠的半稠密的 2D-3D 匹配点来改进相机位姿估计的准确性，即使在噪声场景中也能取得显著的成果。

    Feb, 2024

  • D3Feat：3D 局部特征的密集检测与描述的联合学习

    本文提出了一种新型实用的学习机制，利用三维全卷积网络，旨在稠密地预测每个三维点的检测分数和描述特征，并通过自监督的检测器损失，在训练过程中指导即兴的特征匹配结果。最后，我们的方法在 3DMatch 和 KITTI 数据集的室内和室外场景中，均取得了最先进的结果，并在 ETH 数据集上展现了其强大的概括能力，为实现准确快速的点云对其，提出了一种可靠的特征检测器。

    Mar, 2020

  • 基于弱监督的 PatchNets：描述和聚合局部图像块进行场景识别

    本文提出了一种基于 PatchNet 模型与 VSAD 特征表达方法的图像场景识别混合表示方案，并在 MIT Indoor67 与 SUN397 两个基准数据集上取得了最新的最优性能结果。

    Sep, 2016

  • 基于层级注意力融合的地理定位

    该论文提出了一种基于层次化注意力融合网络和多尺度特征的 2D 图像检索方法，通过自监督训练控制特征强调的权重，实现了对地理定位场景的精确定位。实验结果表明，该方法优于现有的最先进方法。

    Feb, 2021

  • 自适应尺度神经密集特征：通过层级上下文聚合学习

    本研究提出了 SAND 特征，一种专门针对特征提取的深度学习解决方案，能够提供分层上下文信息。该方法在视觉问题的许多方面具有广泛应用，并在不需要额外训练的情况下实现了更好或可比较的结果。

    Mar, 2019

  • DenseCap: 全卷积定位网络用于密集字幕

    该研究介绍了密集报告任务，提出了一种全卷积定位网络（FCLN）架构来联合处理图像的局部定位和描述，在视觉基因组数据集上进行了评估，证明相比现有技术的基线，其速度和准确性都有所提高。

    Nov, 2015

  • 空洞卷积多尺度上下文聚合

    本文提出了一种特别为密集预测设计的新的卷积网络模块，该模块利用扩张卷积系统地汇集多尺度上下文信息，而不会丢失分辨率，并证明了该模块可以提高现有最先进的语义分割系统的精度。同时，作者还探究了将图像分类网络适应于密集预测的可能性，并提出了简化适应后的网络结构有助于提高精度。

    Nov, 2015