Jun, 2024

FlexLoc: 零样本传感器视角不变性目标定位的条件神经网络与分布式多模态传感器

PDF
TL;DR采用条件神经网络将节点视角信息注入定位管道以适应于未见的视角，显著提高多视图室内跟踪中定位准确性的 FlexLoc 技术。
localizationend-to-end deep neural modelsadaptationnode perspective informationmultiview indoor tracking
发现论文，激发创造
  • 基于图像位置网络的零样本多视角室内定位

    本研究提出了一种新的基于神经网络的架构，在无基础设施的情况下，利用多视角图像进行室内定位，同时还通过零样本室内定位设置来拓展模型的应用范围。通过与现有方法进行比较，验证了该模型的高精度和良好的应用前景。

    Aug, 2020

  • 用于视觉定位和里程计的深层辅助学习

    本研究提出了一种新的基于卷积神经网络的多任务全局姿态矫正和里程计评估方法 VLocNet，该模型结构紧凑、可实现实时推断，并采用了一种新颖的辅助损失函数来利用相关位姿信息进行训练，在室内和户外数据集上的实验结果表明，该模型具有可与 SIFT 算法媲美、甚至优于其表现的定位精度。

    Mar, 2018

  • FeMLoc：面向物联网网络中自适应室内无线定位任务的联邦元学习

    FeMLoc 是一个联邦元学习框架，专注于室内定位领域，通过在众多边缘设备的不同定位数据集上进行协同元训练，以及在新环境中的快速自适应，实现了较传统神经网络方法更准确、更快速的室内定位，同时大大减少了指纹数据收集和校准的工作量，具备适应新兴无线通信技术推动的大规模连接的可扩展性，还具备隐私保护的元学习特征。

    May, 2024

  • CrossLoc: 多模态合成数据辅助的可扩展空中定位

    本研究提出了一个基于合成数据学习估计真实世界中摄像机姿态的视觉定位系统，通过自我监督的交叉模态视觉表示学习方法，在不需要额外数据的情况下，大大提高了神经网络性能。

    Dec, 2021

  • RobustLoc：具有鲁棒性的车载摄像头位姿回归

    RobustLoc 是一个用于自动驾驶中的相机重定位系统，它使用神经微分方程进行信息扩散和卷积神经网络从多视角图像中提取特征图，同时配备多层训练的分支位姿解码器。使用 RobustLoc 可以在各种环境下实现相机的鲁棒定位。

    Nov, 2022

  • CyberLoc：实现准确的长期视觉定位

    CyberLoc 是一种图像定位管道，可在困难条件下实现稳健且准确的长期位姿估计；该方法由四个模块组成，包括地图构建、基于单个图像的定位、一致性最大化、鲁棒姿态优化，实验结果表明该方法能够在 Map-based Localization for Autonomous Driving 中获胜

    Jan, 2023

  • 回到未来：从像素到姿态学习鲁棒的相机定位

    本研究利用深度神经网络进行对物体在已知场景下的姿态估计，其中提出了使用场景无关的神经网络模型 PixLoc，通过特征学习和度量学习方法将相机定位问题转换为多尺度特征直接对齐，该模型以像素数据作为输入并经过端到端训练后能够在大型环境中实现定位，同时通过精确的稀疏特征匹配以更小的代价实现关键点和姿态的联合优化。

    Mar, 2021

  • LocNet: 用于移动车辆的 3D 点云全局定位

    该论文提出了一种解决全局定位问题的方法，通过使用基于 Siamese LocNets 的半手工表示学习方法，在全局先验地图中实现了场所识别和尺度姿态估计，并且提出了一个使用仅距离观测的全局定位框架。通过 KITTI 数据集和自主收集的多个数据集的实验结果表明，该系统能够实现高精度的全局定位。

    Dec, 2017

  • 基于 Vision Transformer 神经网络的手机异构室内定位精准方案 VITAL

    本文提出了一种基于视觉转换神经网络的新型框架 VITAL，该框架可以减少智能手机异构性引起的不确定性，在提高本领域已有的最佳结果的基础上，将定位精度从 41% 提高到 68%。同时，我们还证明了该方法的普适性，并提出了一种数据增强技术，可以集成到大多数基于深度学习的定位框架中，以提高准确性。

    Feb, 2023

  • UnLoc: 使用激光雷达、雷达和 / 或摄像头输入的通用自动驾驶定位方法

    本文提出了一种新的神经建模方法 - UnLoc，旨在实现在多种天气条件下，利用多个传感器输入实现定位的目的，由多个数据流组成的多流网络，能够处理激光雷达、摄像头和雷达等多种传感器输入。

    Jul, 2023