May, 2023

基于时空注意力的序列描述符学习用于视觉地点识别

PDF
TL;DR本文提出了一种序列化描述符提取方法，以有效地融合时空信息并生成有区别的描述符，使用滑动窗口来控制时间自我关注范围，并采用相对位置编码来构建不同特征之间的位置关系，从而捕捉帧序列中的固有动态和局部特征运动。
sequence-based visual place recognitionframe sequence matchingsequential descriptor extractionspatiotemporal informationlocal feature motion
发现论文，激发创造
  • 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

  • 条件不变的多视角地点识别

    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

  • 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

  • 基于语义增强的注意力学习用于视觉地点识别

    本文提出了一种基于语义增强的注意力学习网络方法，该方法利用本地加权方案和语义先验信息提高视觉地点识别（VPR）任务的表现，并在城市级别的 VPR 基准数据集上实现了优越性能。

    Aug, 2021

  • 动态调节视觉地点识别序列长度以达到最低可接受性能场景

    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

  • 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

  • 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

  • 多进程融合：使用多种图像处理方法进行视觉地点识别

    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

  • 基于注册辅助的视觉地点识别聚合

    使用新的特征聚合方法，通过注册器辅助模型训练，以获取具有辨别性地点信息的全局和局部特征，并通过重新分配注意力权重将这些注册器舍弃，从而实现对原始图像表示中不稳定特征的有效分离，其表现超过了现有方法

    May, 2024

  • 基于 Transformer 的多层注意力聚合地点识别

    本文介绍了一种新颖的基于 Transformer 的全局位置识别模型 TransVPR，该模型在多尺度上聚合任务相关特征，并通过空间匹配实现对全局视觉特征的候选人重新排序，具有最先进的性能并且计算时间和存储要求相对较低。

    Jan, 2022