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

通过建议的方向引导训练框架，本文在无人机成像中通过层级定位，预测方向标签以支持训练，实现了高精度的地理定位，同时还可以增强卫星图像对空间的推广。

Aug, 2023

跨视角地理定位，通过引入名为 Shifting-Dense Partition Learning（SDPL）的简单而有效的基于部分的表示学习方法，采用密集分区策略（DPS）和位移融合策略来解决外观和环境差异所带来的挑战，具有对位置位移和尺度变化鲁棒性，并在两个常用基准测试上取得竞争性性能，即 University-1652 和 SUES-200。

Mar, 2024

本文提出了一种自对齐无监督网络来提取无人机视角下肖像系统中的细化特征，旨在解决操作难度大、需要困难的注释过程的问题，并在 UAV-VeID 数据集上实现了最佳的 ReID 效果。

Jan, 2022

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

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

在本文中，我们首先实验性地证明了无监督训练的视觉语言模型可以显著减少源域和目标域之间的分布差异，从而改善无监督域自适应的性能。然而，直接在下游无监督域自适应任务中部署这些模型的一个重要挑战是及时的工程技术，需要对源域和目标域的领域知识进行对齐，因为无监督域自适应的性能受到良好的领域不变表示的严重影响。我们进一步提出了一种基于提示的分布对齐方法（PDA），将领域知识融入到提示学习中。具体而言，PDA 采用了两支分支的提示调试范例，即基础分支和对齐分支。基础分支专注于将与类相关的表示集成到提示中，确保在不同类别之间进行区分。为了进一步减小领域差异，我们为源域和目标域构建特征库，并提出了图像引导特征调试（IFT）来使输入关注特征库，从而有效地将自我增强和跨域特征集成到模型中。通过这种方式，这两个分支可以相互促进，增强 VLM 在无监督域自适应中的适应性。我们在三个基准测试上进行了大量实验，证明了我们提出的 PDA 方法达到了最先进的性能。

Dec, 2023

本文旨在使用卷积神经网络来解决跨视角图像地理定位的问题，并介绍了用于地面图像和航拍图像的特征表示，并提出一种融合多个空间尺度提取的特征的网络架构，并通过实验表明其比现有方法更为优越。

Oct, 2015

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

本研究提出了一种基于条件 GAN 的新方法，通过合成俯视图像，将两个视图之间的差距最小化，实现了对视觉实体的跨视图建模并进行特征融合，最终在 CVUSA 数据集上成功实现了景点检索任务。

Apr, 2019