本文介绍了一种名为 Patch-NetVLAD 的方法，它提供了一种将局部和全局描述符方法的优点相结合的新方法，通过从 NetVLAD 剩余变量中导出局部级别的特征，我们的方法使深度学习的局部特征定义在特征空间网格上，能够聚合和匹配这些特征，并通过积分特征空间进行互补尺度（即块大小）的块特征的多尺度融合，显示出在其状态 - of-the-art 视觉地点识别结果上具有高度不变性，超过了基于全局和局部特征描述符的方法，同时还具有可配置框架中的改进计算效率，适合于增强独立场所识别能力和 SLAM 系统的整体性能。

Mar, 2021

在具有相似场景（如城市或室内场景）的区域中，视觉地点识别（VPR）是一个主要挑战，Patch-NetVLAD + 提出了一种微调策略和三元组损失，使 NetVLAD 适用于提取补丁级别描述符，并为 VPR 中至关重要的 LSR 分配适当的权重

Feb, 2022

本文提出了一个新的卷积神经网络结构 NetVLAD，通过基于新的弱监督排序损失的训练过程，从 Google 街景中的时间机器下载的图片中，快速和准确地识别所查询照片的位置。同时，该网络结构在两个具有挑战性的地点识别基准测试中优于非学习图像表示和现成卷积神经网络描述符，同时也改善了标准图像检索基准测试上的现有最先进的紧凑图像表示。

Nov, 2015

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

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

利用预训练的模型实现可视化地点识别的平滑适应，既全局又局部地适应预训练模型，通过轻量级适配器调整以产生适用于地点匹配的全局和局部特征，并避免耗时的空间验证，在少量数据和训练时间下超过当前最先进方法，并仅使用两阶段地点识别方法运行时间的约 3％，在 MSLS 挑战榜单上排名第 1。

Feb, 2024

本研究分析了图像分辨率对基于手工制作的 Visual Place Recognition (VPR) 管道的精度和鲁棒性的影响，并旨在帮助学术研究人员和公司在硬件和软件行业共同设计 VPR 解决方案以及扩展 VPR 算法在商业产品中的应用。

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

通过 SALAD 方法，利用 DINOv2 作为 backbone，优化了视觉地点识别任务，提高了描述符的质量，并在公共 VPR 数据集中超越了单阶段和双阶段方法。

Nov, 2023

本文提出了一种使用局部聚合描述符（VLAD）将空间金字塔 CNN 特征编码的方法，以更准确地反映图像的局部信息。结果表明，使用 VLAD 编码可以仅使用 3％的维度匹配 CNN 特征，并与空间金字塔结合使用可以更准确地将局部元素考虑在内。

Mar, 2016