本文提出一种新型混合系统，使用 SeqNet 生成临时描述符，并结合单图片学习描述符进行选择性控制序列得分汇总，以创建高性能初始匹配假设生成器，进而在挑战性基准数据集上达到超越现有最先进方法的效果。

Feb, 2021

本研究提出了 PointNetVLAD 方法，结合 PointNet 和 NetVLAD 模型，通过端到端的训练和推理从给定的 3D 点云中提取全局描述符，并使用 “lazy triplet and quadruplet” 损失函数来实现更具有判别性和可推广性的全局描述符以解决点云识别的问题，并创建了基准数据集以实现其可行性。

Apr, 2018

该论文提出了一种多传感器融合、动态匹配序列长度技术和自动处理方法权重方案相结合的新颖的图像处理方法，在识别质量度量分析的基础上，提高了定位的性能要求，实现了优于两种最先进的视觉地点识别系统的结果。

Mar, 2019

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

通过引入快速轻量级的框架，将图像和点云转换成具有地点鉴别性的描述符。实验结果表明，所提出的方法在实时执行的同时达到了最先进的性能，具有实际的泛化能力。

Mar, 2024

本研究提出了一个有效而轻量化的点云序列模型，能够在 3D 动作识别方面实现较高的准确性和效率，主要包括点云序列数据扁平化和超点序列混合等方法。实验证明，该模型在速度和效果方面均优于现有模型。

Nov, 2021

室内视觉地点识别对于人类和机器人的定位和导航具有益处。此论文介绍了 NYC-Indoor-VPR 数据集，它是纽约市 13 个不同拥挤场景的超过 36,000 张图片的独特且丰富的集合，这些图片采用了不同的光照条件和外观变化。为了建立视觉地点识别的基准，我们提出了一种半自动标注方法，通过计算每个图片的位置信息。最后，我们使用我们的标注数据集对几种最先进的视觉地点识别算法进行了基准评估，揭示了其挑战和对视觉地点识别研究的价值。

Mar, 2024

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

使用校准数据集拟合模型，以覆盖目标定位性能，通过调整序列长度来最大化满足或超出目标性能的数据集部分的数量，同时最小化使用的中位长度。

Jul, 2024

本文提出了一种基于语义图的三维点云场景识别方法，该方法具有鲁棒性，能够应对遮挡和视角变化等环境变化，评估结果表明该方法优于现有技术。

Aug, 2020