CVPRMar, 2023

带有分级相似度监督的高效大规模场所识别

PDF
TL;DR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。
visual place recognitioncomputer visiongraded similarity labelsgeneralized contrastive losshard-pair mining
发现论文，激发创造
  • 用于数据高效的视觉地点识别的回归变换器

    通过将地点识别视为回归问题，使用相机视野重叠作为相似性标准进行学习，使图像描述符与评级相似性标签直接对齐，提高排名能力，同时节省昂贵的重排操作，实现了高效数据训练和在多个基准数据集上的强大泛化。

    Jan, 2024

  • 多尺度注意力学习视觉地点识别语义

    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

  • 使用连续地点描述符回归实现精准视觉定位的 CoPR 方法

    该论文旨在提高基于图像的位置估计方法（Visual Place Recognition）的精度，作者通过提出一种连续的地点描述符回归方法（Continuous Place-descriptor Regression），在已有的参考图片上进行插值和外推，以增加参考图片的密度，通过实验结果发现该方法可以提高约 30% 的定位精度，相比使用视角不变损失函数，该方法可以额外提高约 15%。

    Apr, 2023

  • 实现预训练模型在视觉地点识别中的无缝适应

    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

  • 视觉地点识别，你的位置在哪里？

    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

  • 用于改善单帧和加权序列视觉位置识别的无监督质量预测

    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

  • SeqNet: 基于序列的分层地点识别描述符学习

    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

  • CricaVPR：跨图像相关性感知表示学习用于视觉地点识别

    我们提出了一种名为 CricaVPR 的针对视觉地点识别的稳健的全局表示方法，利用自注意机制关联多个批次内的图像，以指导表示学习并提高鲁棒性。同时，我们提出了多尺度卷积增强适应方法，通过引入多尺度局部信息进一步增强跨图像相关性感知的表示。实验结果表明，我们的方法在 Pitts30k 数据集上使用 512 维全局特征实现了 94.5% 的 R@1，相比最先进方法大幅提升了性能并缩短了训练时间。

    Feb, 2024

  • 一种数据和运行高效的分层地点识别流程的局部位置图和关注局部特征

    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

  • GSV-Cities: 面向适当监督的视觉地点识别

    本文旨在探究用于大规模视觉地点识别的表示学习方法，介绍了 GSV-Cities 数据集以及在该数据集上训练的深度度量学习网络的性能评估，最终提出了一种新的卷积聚集层，取得了大规模基准测试的新的最佳结果。

    Oct, 2022