本文提出了一种名为 “具有鉴别性的旋转不变极点” 的新方法，它增强了轻量级且具有鉴别性的极点的特征，在保持其轻量级的同时提高了其鉴别性。通过在极点中包括其主体线段以及周围感兴趣区域（ROI）来改进极点的鉴别性，同时描述了该 ROI 内的外观、几何和语义特征以提高极点的鉴别性。此外，引入了一种新型的旋转不变卷积神经网络来从输入点云中自动有效地提取旋转不变特征，还通过无监督学习训练一个极点字典，并将极点压缩成紧凑的极点词，从而在保持最佳自我定位性能的同时显著降低了实时成本。使用公开可用的 NCLT 数据集进行的蒙特卡洛定位实验表明，所提出的方法改进了现有极点定位框架的性能。

Jun, 2024

本文介绍了使用高清地图上的 2D 杆状特征对图像进行自动标注，并利用附加的激光雷达传感器对遮挡特征进行过滤，并演示了如何训练物体探测器来检测杆状特征。在自动生成的数据和手动标注的数据的比较中，我们验证了该方法的有效性。

Mar, 2024

本文旨在利用具有地标形状的柱状物作为主导式定位地标，创造出一张准确的用于自主车辆或机器人的地图，即 Pole-map。通过利用柱状物的语义信息，在所有帧中检测和聚合检测到的柱状物，创造出一个多层语义 Pole-map，并提出了一个基于语义 Pole-map 的粒子滤波定位方案。经理论分析和公共数据集实验结果表明，本文所提出的基于语义的定位方法比不使用语义的方法在粒子滤波定位中表现更好。

May, 2023

本文提出了一种基于深度学习的方法，通过视觉定位，使用锚点来预测场景的位置和摄像机方向或姿态（6 自由度），该方法使用统一定义的锚点并提出了一个深度学习架构，该架构预测场景中存在的最相关的锚点以及相对偏移量，并为该任务提出了一个多任务损失函数，无需基于真实位置信息评定，并在 CambridgeLandmarks 和 7 Scenes 上进行了实验以验证效果。与使用相同的特征提取器的先前最佳深度学习模型 Posenet（具有几何重投影损失）相比，我们的方法提升了室内和室外定位数据集中的中位误差，并在特定情况下，如街景中，将中位误差降低了 8m 以上。

Nov, 2018

基于场景地标检测的摄像头定位方法，采用卷积神经网络（CNN）检测少量特定的场景 3D 点或地标，并从相关的 2D-3D 对应中计算摄像头姿态，具有与基于 3D 结构的方法相当的准确性，但速度更快且使用存储空间更少。

Jan, 2024

本文介绍了一种结合数据和模型的方法来完成面部关键点的检测，即先利用全卷积网络（Fully Convolutional Network, FCN）来生成脸部所有关键点的响应图，再利用 Point Distribution Model（PDM）生成初始面部形状，最后使用加权变体的正则化关键点均值漂移（RLMS）来微调面部形状，实验表明本文提出的方法在面部表情、头部姿态和部分遮挡等挑战性数据集上都能够取得最好的表现。

Nov, 2016

使用自训练、聚类和伪标注方法，通过扩展传播模型的潜在特性，提出的无监督地标发现方法在多个基准测试中明显优于现有方法。

Mar, 2024

通过使用多模态数据关联方法，结合基于对象的地图和相机图像，本文描述了一种全局定位的方法。我们尝试使用 Vision Language Model (VLM)，通过自然语言描述标记地标，并基于图像观察的概念相似性提取对应关系，从而提高了全局定位的准确性和效率。

Feb, 2024

本研究提出了两种技术来改善局部标记数据集中的地标定位。第一种技术是顺序多任务，利用分类或回归任务的类标签引导未标记数据的局部标记定位。第二种是基于无监督学习的方法，通过模型预测图片上的等变地标来提高地标定位，本文在两个玩具数据集和四个实际数据集上进行实验，包括手和脸部， 并在只有 5％标记图像的条件下，跑过了之前在 AFLW 数据集上的最新 state-of-the-art 算法。

Sep, 2017

基于线特征的 LiDAR 点云点云配准方法通过 EdgeConv 标记线特征，并使用共享编码器层来训练两个分割和描述头，该方法在无初始变换输入的情况下验证了自己的有效性，对于各种计算机视觉任务具有广泛的应用价值。

Aug, 2022