Jul, 2023

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

PDF
TL;DR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。
localizationvisual place recognitionautonomous systemspredictabilityperformance
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

  • 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

  • 带有分级相似度监督的高效大规模场所识别

    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。

    Mar, 2023

  • VPR-Bench: 一个开源的视觉场所识别评估框架，可量化视点和外观变化

    本研究提出了一个名为 “VPR-Bench” 的综合性开源框架，以帮助评估不同的视觉地点识别技术，该框架包含 12 个完全集成的数据集和 10 种 VPR 技术。通过应用和分析计算机视觉和机器人学界的流行评估指标，本文讨论了这些不同指标如何在不同应用和系统需求下相互补充和替代。

    May, 2020

  • StructVPR: 使用加权样本提取结构知识进行视觉地点识别

    本文提出了 StructVPR，一种新的训练体系结构，以增强 RGB 全局特征中的结构知识，因此提高在不断变化的环境下的特征稳定性。 StructVPR 使用分割图像作为 CNN 网络中结构知识输入的更明确的源，并应用知识蒸馏来避免在线分割和测试中的 Seg-branch 推理。最终，StructVPR 使用全局检索仅在几项基准测试中取得了令人印象深刻的表现，并且即使在附加重新排名的情况下，仍然保持低的计算成本。

    Dec, 2022

  • AnyLoc: 通向全球视觉地点识别的进展

    通过使用通用特征表示和无监督特征聚合，本研究提出了一种适用于各种结构化和非结构化环境的通用视觉地点识别 (VPR) 解决方案，并取得了相较于现有方法高出 4 倍的显著性能提升，同时对特征进行语义属性建模获得 6% 的性能改善。

    Aug, 2023

  • 多技术顺序信息一致性在变化环境中的动态视觉地点识别

    多顺序信息一致性 (多音乐) 是一个利用顺序信息在在线每帧基础上选择最具连贯性技术的 VPR 系统，通过分析各技术的前几个匹配候选的帧间连续性，然后直接进行比较选择当前查询图像的最佳技术，该系统在不同基准数据集上提高了整体 VPR 性能，避免了对运行时环境的额外准确场景。

    Jan, 2024

  • 基于时空注意力的序列描述符学习用于视觉地点识别

    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。

    May, 2023

  • 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

  • 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