Mar, 2024

SDPL: 无人机视角地理定位的移动稠密划分学习

PDF
TL;DR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。
cross-view geo-localizationpart-based representation learningdense partition strategyshifting-fusion strategyposition shifting and scale variations
发现论文，激发创造
  • 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

  • 离散潜在角度学习用于分割和检测

    通过离散的潜在视角透视学习（DLPL）的新框架，提高机器学习和计算机视觉中对图像不同视角的理解和一致的语义解释。DLPL 包括 3 个模块：视角离散分解，视角单应性变换和视角不变注意力，通过离散化视觉特征、转换视角和融合多视角语义信息来增强网络在不同场景和任务中描绘图像的能力。

    Jun, 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

    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

  • 基于深度学习的立体稠密匹配数据集转移评估

    从 LiDAR 和图像直接生成地面实况视差图以产生大量且多样化的数据集，并通过 LiDAR 与图像间的配准细化方法来避免精度损失和处理遮挡，从而实现了在不同数据集中评估 11 种密集匹配方法，其中 GANet 在相同的训练和测试数据上表现最佳，而 PSMNet 在不同数据集上表现稳健，并提出了在有限数据集上进行训练的最佳策略。

    Feb, 2024

  • University-1652: 无人机基于多视角多源地理定位基准测试集

    使用无人机来进行跨角度地理定位的研究。提出了一个包含三种不同拍摄角度数据的多视角多源数据集，以及两种新任务：利用无人机图像进行目标定位和导航。通过该数据集和卷积神经网络，精准地定位目标位置和在给定条件下将无人机导航到感兴趣的位置。

    Feb, 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

  • 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

  • 学习空间数据分区

    本文研究了分布式空间数据分析的机器学习方法，并提出了一种新的深度强化学习算法来有效地分配大量的空间数据给计算机，通过实验证明，此方法可加速距离连接查询，减少任务运行时间长达 59.4%。

    Jun, 2023

  • 基于激光雷达的全景分割技术研究：动态偏移网络

    本文提出了 Dynamic Shifting Network (DS-Net)，作为点云领域强大的全景分割框架，具有端到端的语义和实例分割能力，采用可变核函数的动态偏移聚类模块，采用基于共识的融合来应对语义和实例预测之间的分歧，并在 SemanticKITTI 和 nuScenes 数据集上取得了优秀的性能表现。

    Nov, 2020

  • 基于风格对齐的动态观测方法在无人机视觉地理定位中的应用

    提出了一种基于风格对齐的动态观测方法，用于无人机视野地理定位，该方法从视觉风格转换和周围噪声控制两个方面应对挑战，并且通过降低周围噪声和地理变形的双方形环流结构的分层注意力块 (HAB) 提高了模型的性能，实验结果在基准数据集上显示出其良好的性能。

    Jul, 2024