Jun, 2024

跨视角地理定位：综述

PDF
TL;DR本文针对跨视域地理定位领域的前沿方法、技术和挑战进行了综述，着重介绍了基于特征和深度学习策略。研究涵盖了建立不同视点之间对应关系的基于特征的方法，以及采用卷积神经网络嵌入视图不变属性的深度学习方法。对跨视域地理定位遇到的各种挑战进行了探讨，如视点和照明的变化、遮挡的发生，并提出了相应的创新解决方案。此外，本文介绍了基准数据集和评估指标，并对最先进技术进行了比较分析。最后，对未来研究以及跨视域地理定位在全球复杂网络环境中蓬勃发展的应用进行了讨论。
cross-view geo-localizationfeature-based methodsdeep learning-based methodologieschallengesbenchmark datasets
发现论文，激发创造
  • ConGeo: 针对地面视角变化的稳健交叉视图地理定位

    提出了 ConGeo 方法，通过增强特征表示的鲁棒性和一致性，提高模型对方向和视场变化的不变性和韧性，从而显著提升了交叉视图地理定位的性能，并超过了针对每个地面视图变化训练单独模型的竞争方法。

    Mar, 2024

  • 交叉视角图像地理定位的最优特征传输

    本文提出一种新的交叉视图特征传输（CVFT）技术来明确建立跨视图传输，从而促进地面图像和航空图像之间的功能对齐，实现更有意义的特征相似度比较，明显提高了交叉视图定位性能，预计该领域差异处理的关键洞察将证明在计算机视觉领域中也很有用。

    Jul, 2019

  • 利用航空参考图像进行广域图像地理定位

    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

  • 城市环境下的跨视角图像匹配用于地理定位

    本文基于深度卷积神经网络，提出了一个新的框架，用于跨视角图像地理定位，包括 Faster R-CNN 和 Siamese 网络，并将其在一个新的数据集上进行了评估，结果表明该方法比其他方法具有更好的定位精度，并能够推广到未见过的位置。

    Mar, 2017

  • 释放无标签数据：跨视角地理定位的范例

    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

  • 为跨视图地理定位的神经网络引入贷款方向

    本文提出一种基于方向信息的神经网络模型，应用于图像地理定位问题中，使用角度编码方式让神经网络更好的提取特征，使该模型在地理位置定位方面表现出较高的正确率和精度。

    Mar, 2019

  • VIGOR: 跨视图图像地理定位：超越一对一检索

    本研究定义了更加现实的问题假设，提出了一个新的大规模数据集 VIGOR 用于跨视角图像地理定位，并且评估了现有方法在该问题假设下的性能，同时提出了一种新方法用于粗 - 精定位，并使用原始 GPS 数据以实际距离（米）评估了本研究的性能。

    Nov, 2020

  • 跨视角图像检索之外：使用卫星图像实现高精度车辆定位

    本文提出了一种车载摄像机定位的解决方案，通过神经网络和几何投影模型实现从地面图像匹配到高空卫星地图上，并把匹配问题转化为姿态估计问题来提高定位精度。

    Apr, 2022

  • CurriculumLoc: 通过多阶段改进增强跨领域地理定位

    视觉地理定位方法的多阶段课程学习以及全局和局部特征的关键点检测、描述和位置调整使其成为一种实用的视觉地理定位解决方案，取得了高召回率的好成绩。

    Nov, 2023

  • 通过跨视角匹配实现联合位置和方向估计

    本文提出了一种动态相似度匹配网络，通过使用极坐标变换来大致对齐空中图像，学习地面和变换后空中图像的深度特征，并通过计算跨视图特征之间的相关性来获得定位时的方向，从而提高了十字视图地理定位准确性。

    May, 2020