Oct, 2023

AANet：半硬正例样本挖掘的聚合对齐网络在分层地点识别中的应用

PDF
TL;DR通过提出一种称为 AANet 的统一网络，该网络能够提取候选物体的全局特征并通过动态对齐局部特征进行重新排序，从而显著提高视觉地点识别（VPR）的效率，并使用一种称为 ShPSM 的半硬正样本挖掘策略选择更具鲁棒性的正样本进行训练。在四个基准 VPR 数据集上进行广泛实验后，结果显示 AANet 能够在更少的时间消耗下优于几种最先进的方法。
发现论文，激发创造
  • 基于语义增强的注意力学习用于视觉地点识别

    本文提出了一种基于语义增强的注意力学习网络方法，该方法利用本地加权方案和语义先验信息提高视觉地点识别（VPR）任务的表现，并在城市级别的 VPR 基准数据集上实现了优越性能。

    Aug, 2021

  • 视觉地点识别的最优输运聚合

    通过 SALAD 方法，利用 DINOv2 作为 backbone，优化了视觉地点识别任务，提高了描述符的质量，并在公共 VPR 数据集中超越了单阶段和双阶段方法。

    Nov, 2023

  • 一种数据和运行高效的分层地点识别流程的局部位置图和关注局部特征

    本文提出了一种运行时和数据高效的分层视觉场所识别（VPR）管道，通过结合数据驱动和免训练方法，在降低训练数据和影响训练与应用阶段分布差异方面取得了良好的平衡，该方法在大规模应用中表现出了更好的性能。

    Mar, 2024

  • 多层特征聚合与递归对齐网络在实时语义分割中的应用

    通过引入多级特征聚合和递归对齐网络 (MFARANet)，在实时推理速度下实现高分割准确度；利用 ResNet-18 作为骨干网络并提出三个核心组件来弥补由于骨干网络较浅导致的模型容量不足；在三个基准数据集上进行了综合实验，结果表明我们的方法在速度和准确度之间达到了更好的平衡。

    Feb, 2024

  • 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

  • 视觉地点识别的深度单应矩阵估计

    通过基于 Transformer 的深度单应估计网络，利用密集特征图进行几何验证，以提高视觉地点识别的速度和精度。通过在无需额外标签的情况下联合训练主干网和单应估计网络，优化特征提取和局部匹配，实验证明该方法在性能上超过了多个最先进的方法，并且比使用 RANSAC 的传统分层 VPR 方法快一个数量级。

    Feb, 2024

  • 用于强健 SAR 车辆识别的分层去纠缠网络

    本文提出了一种新颖的 Hierarchical Disentanglement-Alignment Network（HDANet）方法，通过数据对齐框架增强了特征的因果性和鲁棒性，展现了在多种 SAR 的目标和环境变量中的高鲁棒性。

    Apr, 2023

  • DenserNet: 使用多尺度特征聚合的弱监督视觉定位

    本文介绍了一种 Denser Feature Network 用于视觉定位，提出了一种新型的卷积神经网络，采用更密集的特征图来提高图像检索准确性和关键点特征的重复性，仅需要正负 GPS 标记图像对来训练模型。实验表明，该方法在四个具有挑战性的大规模定位基准测试和三个图像检索基准测试上都取得了优秀的表现。

    Dec, 2020

  • MultiRes-NetVLAD: 使用低分辨率图像增强地点识别训练

    本文提出了一种多分辨率特征金字塔编码视觉识别方法，称为 MultiRes-NetVLAD，可以更准确地匹配全球地点描述符，从而使 global descriptor based retrieval 能够达到最先进的召回率水平。

    Feb, 2022

  • 聚合多个生物启发式图像区域分类器用于有效且轻量级的视觉地点识别

    提出了一种改进的多 DrosoNet 定位系统，名为 RegionDrosoNet，具有显著提高的 VPR 性能和低计算复杂度，充分考虑了外部模型差异，并引入了新的投票模块来组合所有 DrosoNet 的输出以得出最终的位置预测结果，该方法在处理外观变化和视点变化时表现优异，并且能够以计算复杂方法在线推断时间的一小部分来竞争一些基准数据集。

    Dec, 2023