SeqNet: 基于序列的分层地点识别描述符学习
本文提出了一种序列化描述符提取方法,以有效地融合时空信息并生成有区别的描述符,使用滑动窗口来控制时间自我关注范围,并采用相对位置编码来构建不同特征之间的位置关系,从而捕捉帧序列中的固有动态和局部特征运动。
May, 2023
比较三维点云方法和基于图像序列的方法在场所识别性能上的差异,结果表明对于特定度量跨度,基于图像序列的技术可以接近甚至超过基于点云的方法的表现。
Jun, 2021
本研究提出了一种新的、无需训练的定位质量预测方法和一种利用这些预测来偏置序列匹配过程的新方法,使综合系统在四个数据集和三种 VPR 技术中得到了性能上的提升。
Jul, 2023
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
本论文提出了一种改进的视觉定位方法,通过使用连续相似性标签和广义对比损失函数代替传统的二元相似性标签和硬对样本挖掘,使得视觉识别表现得到了明显提升。
Mar, 2023
本文使用深度神经网络,并提出 3 种不同的方法,即描述符组合、融合和循环描述符,探讨如何利用时间序列信息来改善视觉地点识别的困难。研究结果表明,在两个公共数据库中,我们的方法比单视角和多视角基线产生更简洁且一致的描述符,进而改善了视觉地点识别的准确性。
Feb, 2019
本研究提出了一种新的深度 - 时间感知视觉地点识别系统,通过提取深度过滤关键点序列,对与单个查询图像中的关键点进行比较,解决了对立的视角和极端外观变化视觉地点识别问题,实验证明在多个基准数据集上表现优异,还进行了一系列模拟实验,以表征深度过滤关键点序列在关键域参数方面的贡献。
Feb, 2019
本文提出了一种运行时和数据高效的分层视觉场所识别(VPR)管道,通过结合数据驱动和免训练方法,在降低训练数据和影响训练与应用阶段分布差异方面取得了良好的平衡,该方法在大规模应用中表现出了更好的性能。
Mar, 2024
通过研究紧凑卷积网络架构和后训练量化对视觉地点识别(VPR)性能的影响,我们不仅通过 recall@1 分数测量性能,还测量内存消耗和延迟,为受资源限制的 VPR 系统提供了设计建议。
Dec, 2023
本研究提出了一种新的机器人空间数据可视化算法,实现了超紧凑的空间表示,接近次线性存储缩放和极轻量计算需求,并将散列过载方法应用于过程中,使得在匹配 100 帧序列时,每个空间定位点仅需 8 字节存储和 37k 个单元操作即可达到超过 50%的检索率
Jan, 2020