利用卫星图像实现长距离无人机热像地理定位
STHN 是一种新的无人机热定位方法,通过粗糙到精细的深度单应性估计方法,在低能见度条件下可可在无人机上次已知位置的 512 米范围内实现可靠的热定位,克服了热影像模糊纹理和自相似模式的困扰,显著提高了无人机热定位性能和鲁棒性。
May, 2024
本文提出了一种基于几何感知的地球到卫星图像地理定位方法,该方法可以实现对查询图像的精准定位,其精度可达卫星图像的像素级,同时提出了一种新的基于几何感知的图像检索流程,以提高定位准确性。
Mar, 2022
该研究通过视觉方法探究无人机在全球导航卫星系统拒绝服务环境下如何准确定位自身,为此构建了基于转换器的基线并提出了新的连续型评估指标 SDM,以解决现实应用场景中空间距离和尺度变换所带来的问题。同时,利用孪生网络和度量学习构建,设计邻居搜索后处理策略解决大距离定位偏差问题。
Jan, 2022
该研究提出了一种利用卫星图像对地面车辆进行精确定位的方法,其采用基于地面 - 卫星特征字典的视觉定位方法,可以在不需要密集的地面图像数据库的情况下估计任意位置的可能性,并通过学习定位判别特征投影矩阵进一步提高精确度,在公共数据集上得到了显著的改进。
Oct, 2015
为解决无人机视觉定位问题,本文提出了一个大规模数据集 UAV-VisLoc,其中包含了来自中国 11 个地点的多种类型无人机图像和卫星地图,以支持模型的训练和测试。
May, 2024
本文针对在地面视图图像查询给定地理参考卫星地图的定位问题提出了一种基于 CVM-Net 的 Markov 定位框架,通过更广泛的实验结果和分析,它扩展了我们早期关于 CVM-Net 的工作,并提出了一种 Markov 定位框架,该框架可以在可用的地面图像流视频的情况下增强地理定位结果。实验结果表明,我们提出的 Markov 定位框架可以在新加坡数据集上持续实现小误差内的车辆定位。
Mar, 2019
该研究探讨了在低对比度、视觉退化环境下(如水下、雪地等),利用热成像技术进行视觉 SLAM 的困难之处,并提出了基于学习特征描述符的方法,以显著改善热成像的大时间间隔下的地点识别能力。实验结果表明,该方法能够在具有挑战的热成像数据中实现良好的局部跟踪和克服昼夜热外观巨变的重定位能力。
Mar, 2024
我们提出了一种新颖的全局 - 本地视觉定位(GLVL)网络,通过结合大规模检索模块和细粒度匹配模块实现了无局限累积误差的实时精确定位,证实了我们方法在稀疏纹理特征的村庄场景下只有 2.39 米的 0.48 秒的定位误差。
Oct, 2023
该论文提出了一种新的方法,用于在缺乏全球导航卫星系统(GNSS)的环境中对无人机进行地理定位。通过预处理图像以提取边缘信息,可以显著提高 UAV 地理定位方法的性能,并增强对方向和高度不准确性的鲁棒性。此外,引入了一种用于本地化的置信度标准,并通过合成实验验证了相关发现。
Apr, 2024
本文提出了一种车载摄像机定位的解决方案,通过神经网络和几何投影模型实现从地面图像匹配到高空卫星地图上,并把匹配问题转化为姿态估计问题来提高定位精度。
Apr, 2022