Jan, 2024

一种基于 Transformer 的自适应语义聚合算法用于无人机视觉地理定位

PDF
TL;DR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。
unmanned aerial vehicles (uav)visual geo-localizationpart matchingsemantic characteristicstransformer-based adaptive semantic aggregation
发现论文，激发创造
  • DASGIL: 面向语义和几何感知的基于图像的领域自适应定位

    本文提出一种基于多任务架构的视觉定位方法，通过将几何和语义信息融合到多尺度的嵌入表示中，使用有效的多尺度特征鉴别器进行对抗性训练，从虚拟数据集到现实世界数据集的领域适应，以实现图像检索定位及大规模地点识别。该方法在 Extended CMU-Seasons 数据集和 Oxford RobotCar 数据集上进行验证，结果表明本方法在具有挑战性的环境下的检索定位和大规模地点识别的表现优于现有方法。

    Oct, 2020

  • 面向导向对比学习的无人机视角地理定位

    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

  • 一种面向空中场景解释和地理定位的多阶段多任务神经网络

    本文提出了一种新的多任务、多阶段神经网络，能够在单次前向传递中同时处理语义分割和基于视觉的航拍图像地理定位两个问题，并在卫星图像中实现商用 GPS 级别的本地化精度以及在 Inria Aerial Image Labeling 数据集和 Massachusetts Buildings 数据集上达到领先水平的分割效果。

    Apr, 2018

  • 一种基于语义分割的地空图像匹配方法

    该论文提出了一种基于语义分析的方法，通过比较地面图像与卫星图像的特征，结合语义分割掩模，实现无 GPS 数据的查询地理定位，并在不同视场上通过对 CVUSA 数据集进行测试表明该方法提升了性能。

    Apr, 2024

  • 多分辨率语义分割的无人机自适应路径规划

    本文提出了一种基于深度学习的无人机自适应路径规划算法，解决了无人机低空精细监测和高效数据采集的问题，并提出了一种新的深度学习精度模型，可以在不浪费能源的情况下获得高分辨率的语义分割图像。实验结果表明本方法可推广应用于不同领域。

    Mar, 2022

  • 一种基于 Transformer 的无人机视角地理定位特征分割和区域对齐方法

    本文提出了一种名为特征分割与区域对齐 (FSRA) 的简单有效的转换器结构，用于加强模型理解上下文信息以及实例分布的能力，从而为解决无人机和卫星等不同视角下的地理图像匹配问题提供了一个新的解决方案，经过实验证明，该方法的性能卓越且达到了迄今为止在无人机目标定位和导航中的最佳表现。

    Jan, 2022

  • 基于语义感知的注意力神经嵌入在基于图像的视觉定位中的应用

    提出了一种新的，综合了外观和语义信息的 2D VL 定位方法，该方法使用多模态线索生成稳健的嵌入向量，其中利用了场景的语义布局的不变性，并提出了一个基于深度学习的注重注意力的框架来指导嵌入向量生成的过程，在三个具有挑战性的本地化数据集上测试，平均绝对提高了 19％，并且通过对模型各个组件进行广泛研究，证明了语义信息和注意模块的贡献。

    Dec, 2018

  • 基于视觉的无人机在拒绝环境下的定位系统

    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

  • 用于无人机车辆重新识别的自校准空间特征提取网络

    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

  • 基于递进对抗学习的无人机视觉地理定位的视角分布对齐

    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