本文研究使用基于空间验证的重新排序方法尝试解决视觉地方识别中光照和遮挡等困难问题，并给出了新的综合基准和两个具有挑战性的数据集。

Apr, 2023

提出了一种称为组合划分的简单但有效的算法，该算法通过相交多个粗粒度分割地球的分割方式，生成大量细粒度的输出类，使我们能够在细粒度上预测位置，同时为每个类别保持足够的训练示例。该算法在多个基准数据集上实现了最先进的位置识别性能。

Aug, 2018

本文旨在探究用于大规模视觉地点识别的表示学习方法，介绍了 GSV-Cities 数据集以及在该数据集上训练的深度度量学习网络的性能评估，最终提出了一种新的卷积聚集层，取得了大规模基准测试的新的最佳结果。

Oct, 2022

本文提出了一种新的插件模块，可集成到 CNN 或 Transformer 等常见的后背网络中，输出像素级特征图并融合过滤后的特征以增强细粒度视觉分类，实验结果表明所提出的插件模块优于现有方法，可显着提高准确性。

Feb, 2022

通过使用部分标记数据来识别未标记图像的新类别，本研究引入了一项名为 Ultra-Fine-Grained Novel Class Discovery（UFG-NCD）的新任务，并提出了一种名为 Region-Aligned Proxy Learning（RAPL）的框架，用于解决 Ultra-FGVC 中的挑战。实验表明，RAPL 在各种数据集上显著优于基准方法，显示其在处理 UFG-NCD 挑战方面的有效性。

May, 2024

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

该研究通过训练两个卷积神经网络 (CNN) 架构来实现特定位置识别任务，并采用多尺度特征编码方法生成具备不变性的特征。通过建立具有变化外观的特定场所数据集 (SPED)，该研究综合评估了所训练的网络，并证明相对于其他场所识别算法和预训练的 CNN，其性能平均提升了 10%。

Jan, 2017

本文系统考察了在细粒度图像分类中，如何利用地理位置信息来提高分类准确性，通过发布两个带有地理位置信息的数据集，实验结果表明，使用地理位置信息可以将模型的准确性从 70.1% 提高到 79.0%。研究还发现，针对资源有限的模型，建议使用特征调节模型，可以将模型准确性从 59.6% 提高到 72.2%。

Jun, 2019

利用地面图像进行城市尺度上的精细土地利用分类，使用地理引用的 Flickr 图像创建框架并使用卷积神经网络进行分类。

Feb, 2018

借助开放访问的卫星图像，我们提出了一种深度网络方法，用于解决城市建筑的细粒度分类问题，通过空间分辨率增强和类别信息平衡模块的引入来改进分类鲁棒性和准确性，实验证明该方法在高精度图像的分类上与街景图像方法相当，可为城市规划者提供有价值的工具。

Mar, 2024