本文提出一种基于方向信息的神经网络模型，应用于图像地理定位问题中，使用角度编码方式让神经网络更好的提取特征，使该模型在地理位置定位方面表现出较高的正确率和精度。

Mar, 2019

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

使用无人机来进行跨角度地理定位的研究。提出了一个包含三种不同拍摄角度数据的多视角多源数据集，以及两种新任务：利用无人机图像进行目标定位和导航。通过该数据集和卷积神经网络，精准地定位目标位置和在给定条件下将无人机导航到感兴趣的位置。

Feb, 2020

提出了一种名为 PVDA（Progressive View Distribution Alignment）的网络，通过逐步对抗性学习策略来解决无人机（UAV）视觉地理定位中的图像间分布差异问题，以学习与地点相关且与视角无关的特征，并在 University-1652 数据集上取得了卓越的性能。

Jan, 2024

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

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

本研究探讨了大范围视角交叉地理定位（CVGL）中无标签数据的有效利用，包括无监督和半监督设置。我们提出了一个无监督框架，其中包括交叉视角投影来指导模型检索初始伪标签，并通过利用 “完全配对的地面 - 卫星图像位于一个独特且相同场景” 的事实的快速重新排序机制来改进伪标签。该框架在三个开源基准测试上展示了竞争性能，我们的代码和模型将在该网址上发布。

Mar, 2024

这篇论文介绍了一种基于 Transformer 的自适应语义聚集方法，将部分作为图像中最具代表性的语义，并将部分级别的特征分解为所有补丁特征的自适应总和，以实现准确的无人机 - 卫星图像匹配。

Jan, 2024

本文介绍了 NTU-ICG 团队提出的基于聚类学习检测的 LiDAR 技术应用于无人机跟踪和姿态估计的方法，通过两种类型的 LiDAR 传感器对无人机进行三维定位，并结合历史估计填充缺失数据，在 CVPR 2024 UG2+ Challenge 中获得了第五名的成绩。

May, 2024

通过训练神经网络来实现全球本地化并应用于实际机器人场景，在二维平面中限制问题并大幅增加训练数据，可以得到紧凑的模型，实现了数厘米的定位精度，并在无人地面车上应用进行路径导航任务。

Nov, 2022