Jan, 2024

多技术顺序信息一致性在变化环境中的动态视觉地点识别

PDF
TL;DR多顺序信息一致性 (多音乐) 是一个利用顺序信息在在线每帧基础上选择最具连贯性技术的 VPR 系统，通过分析各技术的前几个匹配候选的帧间连续性，然后直接进行比较选择当前查询图像的最佳技术，该系统在不同基准数据集上提高了整体 VPR 性能，避免了对运行时环境的额外准确场景。
发现论文，激发创造
  • 多进程融合：使用多种图像处理方法进行视觉地点识别

    该论文提出了一种多传感器融合、动态匹配序列长度技术和自动处理方法权重方案相结合的新颖的图像处理方法，在识别质量度量分析的基础上，提高了定位的性能要求，实现了优于两种最先进的视觉地点识别系统的结果。

    Mar, 2019

  • 视觉地点识别，你的位置在哪里？

    本文通过调查与研究 Visual Place Recognition（VPR）的关键要素，提出一种基于视觉重叠的新的 VPR 定义，并指出未来需要深入关注的挑战和领域。

    Mar, 2021

  • 用于改善单帧和加权序列视觉位置识别的无监督质量预测

    本研究提出了一种新的、无需训练的定位质量预测方法和一种利用这些预测来偏置序列匹配过程的新方法，使综合系统在四个数据集和三种 VPR 技术中得到了性能上的提升。

    Jul, 2023

  • 低分辨率图像的视觉地点识别

    本研究分析了图像分辨率对基于手工制作的 Visual Place Recognition (VPR) 管道的精度和鲁棒性的影响，并旨在帮助学术研究人员和公司在硬件和软件行业共同设计 VPR 解决方案以及扩展 VPR 算法在商业产品中的应用。

    May, 2023

  • NYC 室内长期视觉地点识别数据集与半自动标注

    室内视觉地点识别对于人类和机器人的定位和导航具有益处。此论文介绍了 NYC-Indoor-VPR 数据集，它是纽约市 13 个不同拥挤场景的超过 36,000 张图片的独特且丰富的集合，这些图片采用了不同的光照条件和外观变化。为了建立视觉地点识别的基准，我们提出了一种半自动标注方法，通过计算每个图片的位置信息。最后，我们使用我们的标注数据集对几种最先进的视觉地点识别算法进行了基准评估，揭示了其挑战和对视觉地点识别研究的价值。

    Mar, 2024

  • VPR-Bench: 一个开源的视觉场所识别评估框架，可量化视点和外观变化

    本研究提出了一个名为 “VPR-Bench” 的综合性开源框架，以帮助评估不同的视觉地点识别技术，该框架包含 12 个完全集成的数据集和 10 种 VPR 技术。通过应用和分析计算机视觉和机器人学界的流行评估指标，本文讨论了这些不同指标如何在不同应用和系统需求下相互补充和替代。

    May, 2020

  • 多尺度注意力学习视觉地点识别语义

    本研究旨在通过多尺度注意力模块，实现从视觉和语义内容中学习鲁棒全局嵌入以及动态引导的分割过程，以提高视觉地点识别的准确性，同时提出第一个适用于地点识别和分割任务的合成世界数据集，实验证明方法在不同情景下具有良好性能。

    Jan, 2022

  • AnyLoc: 通向全球视觉地点识别的进展

    通过使用通用特征表示和无监督特征聚合，本研究提出了一种适用于各种结构化和非结构化环境的通用视觉地点识别 (VPR) 解决方案，并取得了相较于现有方法高出 4 倍的显著性能提升，同时对特征进行语义属性建模获得 6% 的性能改善。

    Aug, 2023

  • 动态调节视觉地点识别序列长度以达到最低可接受性能场景

    使用校准数据集拟合模型，以覆盖目标定位性能，通过调整序列长度来最大化满足或超出目标性能的数据集部分的数量，同时最小化使用的中位长度。

    Jul, 2024

  • 视觉地点识别下的动态车辆检测提高方法

    本文旨在探究利用先前的地图信息对动态场景中的目标进行检测，进而提出了一种基于二进制分类神经网络的算法，该算法能够验证查询图像的检测，并通过参考地图图片得出高精度检测的集合，且证明该方法在不同数据集和环境下能够提升车辆检测性能。

    Jun, 2023