ICCVAug, 2023

EigenPlaces: 视觉地点识别中训练鲁棒视角模型

PDF
TL;DR基于视觉特征的图像识别的主要挑战是从不同视点识别地点，为了克服这个限制，我们提出了一种名为 EigenPlaces 的新方法，通过从不同视角聚类训练数据，将视点的稳健性融入到学习的全局描述符中，实验证明 EigenPlaces 在大多数数据集上表现优于现有方法，并且训练时所需的 GPU 内存减少了 60％，描述符的大小减小了 50％。
visual place recognitionimage retrievalviewpoint robustnessneural networkeigenplaces
发现论文，激发创造
  • 跨域视觉地点识别仅需要本地特征吗？

    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

  • 场所识别：视觉角度概述

    该研究论文概述了地点识别领域的文献综述，介绍了传统的图像描述方法以及最近使用卷积神经网络进行视觉地点识别的进展。

    Jun, 2017

  • 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

  • 不回头：强化视角和条件不变地点识别的稳健性分类

    本文提出一种利用深度神经网络的高阶层进行场所识别以及运用描述符归一化方案提高场所识别鲁棒性的方法，并在两个数据集上进行验证，结果显示相比于现有技术具有显著的改进。

    Jan, 2018

  • 面向视觉地点识别的大规模深度学习特征

    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

  • GSV-Cities: 面向适当监督的视觉地点识别

    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

  • 实现预训练模型在视觉地点识别中的无缝适应

    利用预训练的模型实现可视化地点识别的平滑适应，既全局又局部地适应预训练模型，通过轻量级适配器调整以产生适用于地点匹配的全局和局部特征，并避免耗时的空间验证，在少量数据和训练时间下超过当前最先进方法，并仅使用两阶段地点识别方法运行时间的约 3％，在 MSLS 挑战榜单上排名第 1。

    Feb, 2024

  • ModaLink: 图像到点云的高效场景识别

    通过引入快速轻量级的框架，将图像和点云转换成具有地点鉴别性的描述符。实验结果表明，所提出的方法在实时执行的同时达到了最先进的性能，具有实际的泛化能力。

    Mar, 2024

  • 基于 Spatio-Semantic ConvNet 的视觉地点识别

    该研究提出了一种采用卷积神经网络（VGG16）的激活层对地点图像进行编码的视觉地点识别系统。该系统采用了类似于图像检索流程的两阶段方法，并在第二阶段使用 CNN 特征来编码语义和空间信息，其效果在常见基准数据集上明显优于其他方法。

    Sep, 2019

  • 一种基于轻量级卷积神经网络的全面视觉地点识别方法，用于有效处理视角和外观变化

    本文提出一种轻量化的视觉地点识别方法，具备低计算成本的高性能，适用于面临视角和外观变化的移动机器人。通过多个基准数据集的结果证实，相对于现有方法，平均准确率提升 13%，平均速度提升 12 倍。

    Nov, 2018