本文研究使用基于空间验证的重新排序方法尝试解决视觉地方识别中光照和遮挡等困难问题,并给出了新的综合基准和两个具有挑战性的数据集。
Apr, 2023
该研究论文研究了视觉定位中图像检索方法对定位性能的影响,并提出了专为定位场景设计的检索方法的需求。通过引入基准测试和多种 “地面真实性” 定义以及针对经典地标检索或地点识别任务的检索效能的分析,探讨了这种影响。
May, 2022
通过针对视觉定位任务设计的检索方法,对知名的图像检索技术在多个数据集上进行了对比,发现经典的标志性目标的检索效果与定位效果并不完全匹配。
Nov, 2020
该研究论文概述了地点识别领域的文献综述,介绍了传统的图像描述方法以及最近使用卷积神经网络进行视觉地点识别的进展。
Jun, 2017
本研究中,我们建立了从地标特征中提取的描述符,该描述符还编码了视图中地标的空间分布,匹配描述符然后强制实施地标在视图之间的相对位置的一致性,这对性能有显着影响。在 10 个图像对数据集上的实验中,每个数据集都由 200 个城市地点组成,观察位置和条件有显着差异,我们记 录了大约 70% 的平均精度(在 100% 召回率下),而使用整个图像 CNN 特征获得了 58%,[1] 方法获得了 50%。
Aug, 2016
基于视觉特征的图像识别的主要挑战是从不同视点识别地点,为了克服这个限制,我们提出了一种名为 EigenPlaces 的新方法,通过从不同视角聚类训练数据,将视点的稳健性融入到学习的全局描述符中,实验证明 EigenPlaces 在大多数数据集上表现优于现有方法,并且训练时所需的 GPU 内存减少了 60%,描述符的大小减小了 50%。
Aug, 2023
本文提出了一种利用卷积神经网络提取特征并用地标定位网络确定区分性地标的方法,用于视觉地点识别问题,该方法在各种外观和视角变化方面均具有优异的性能。
Apr, 2019
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
本文通过调查与研究 Visual Place Recognition(VPR)的关键要素,提出一种基于视觉重叠的新的 VPR 定义,并指出未来需要深入关注的挑战和领域。
Mar, 2021