May, 2023

TReR：用于 3D LiDAR 地方识别的轻量级 Transformer 重新排序方法

PDF
TL;DR采用 Transformer-based re-ranking 方法，以全局描述为确定因素，实现了轻量化和有效的 Loop Closure Detection，与另外两种方法相比，在 KITTI Odometry 数据集上表现出更好的鲁棒性和效率。
发现论文，激发创造
  • 使用重新排序变换器进行实例级别图像检索

    本文提出了一种新的模型 Reranking Transformers (RRTs)，它可以在有监督的环境下整合全局和局部特征，以重排匹配的图像，从而替代代价较高的基于几何验证的过程。经实验表明，该模型的性能优于以前的重排序方法，且使用更少的本地描述符达到更好的结果。

    Mar, 2021

  • 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

  • R²Former: 基于 Transformer 的统一检索与重排序模型在地点识别中的应用

    本研究提出了一个统一的地点识别框架，使用名为 R^2Former 的新型 Transformer 模型，该模型处理检索和重新排序，通过特征相关性，注意力值和 xy 坐标进行重新排名，实验结果表明其具有卓越的性能和较低的内存消耗。

    Apr, 2023

  • OcTr：基于八叉树 Transformer 的 3D 物体检测

    本文介绍了一种名为 OcTr 的基于八叉树的 Transformer 方法，通过动态构建八叉树从而实现对远距离或 / 和遮挡物体的有效检测，进一步提出了一种混合位置编码方法以增强前景感知，实验表明 OcTr 方法在 Waymo 开放数据集和 KITTI 数据集上均取得了最新的最佳结果。

    Mar, 2023

  • 基于查询自适应的拥挤行人检测的 DETR

    本文提出一种自适应查询生成方法（RAQG），通过设计排名预测和自适应选择方法，使得 DETRs 在不同拥挤场景中能够自适应生成查询，并在 Crowdhuman 数据集和 Citypersons 数据集上取得了有竞争力的结果，特别是在 Crowdhuman 数据集上达到了 39.4% 的最佳 MR。

    Oct, 2023

  • NDT-Transformer：使用正态分布变换表示的大规模三维点云本地化

    本文提出一种基于 3D 点云、命名为 NDT-Transformer 的实时大规模地点识别的新方法。使用 3D 正态分布变换 (NDT) 表示法来提供几何形状描述，并通过 NDT Transformer 网络学习一组 3D NDT 单元格表示，从而实现全局描述符提取。该方法不仅丰富了几何和上下文信息，相比现有方法在牛津机器人车基准测试上平均取得了 7.52％和 2.73％的改进。

    Mar, 2021

  • TransLoc3D : 基于点云的自适应感受野大规模地点识别

    TransLoc3D 是一种新的点云全局描述算法，使用自适应感受野进行特征提取，利用外部 Transformer 捕捉长程特征依赖关系，能够有效地处理不同大小的物体、抑制噪声，并取得了现有方法不可比拟的高性能结果。

    May, 2021

  • 高质量物体检测的 Rank-DETR

    引入一种基于等级的 DETR 目标检测器 Rank-DETR，通过一系列等级化设计，包括等级化架构设计和损失函数设计，提高了准确性和定位精度，并成功应用于最新的 SOTA 方法，展示了其有效性。

    Oct, 2023

  • 优化密集检索的测试时查询表示

    本篇论文介绍了 TouR 方法，它可以通过测试时间的检索结果来进一步优化基于实例级别的查询表示，从而提高密集检索和开放域问答的性能。

    May, 2022

  • 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