利用深层卷积神经网络对地面和卫星俯视图进行交叉检索，实现图像地理定位，提出了一种新的损失函数，并采用多种匹配机制和旋转不变训练来提高图片匹配精度和效率。

Jul, 2016

本研究提出了一种新的基于CNN+LSTM的摄像机姿态回归方法，该方法针对室内和室外场景，并且通过CNN可学习适合的特征表征来进行定位，使用LSTM作为特征向量的结构化降维方法，在定位性能方面取得了极大的改善，并针对基于CNN和SIFT的定位方法进行了广泛的定量比较，还提出了一种新的基于激光扫描的大型室内数据集，实验结果表明，我们的方法在定位图像时性能优于现有的深度体系结构，在具有挑战性的环境下都能够成功定位。

Nov, 2016

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

本文提出了一种基于深度学习的摄像机再定位方法，通过卷积神经网络检索相似的数据库图像，并预测查询图像与数据库图像之间的相对姿态，使用RANSAC算法进行相对平移估计，并使用第二个RANSAC方案将相对姿态融合；此外，作者提出了一个涵盖5种不同场景的挑战性室内定位数据集，并在标准的7 Scenes测试基准上对方法进行了评估，结果表明该方法适用于之前未见过的场景，并与其他基于CNN的最新方法相比效果优异。

Jul, 2017

本文使用ToDayGAN模型转换驾驶图片的夜间场景为更有用的白天场景，并且通过将当前最接近的白天场景的6-DOF位置用于夜间场景的姿态估计，将其用于两次遍历相同区域的图像的精确定位，其性能比最新的标准指标表现提高了超过250%。

Sep, 2018

本文提出了一种使用卷积神经网络在像素级别取得可靠对应的方法，该模型可以同时作为密集特征描述符和特征检测器，并且在后期检测可以获得比传统低级结构的更稳定的关键点，从而实现了在无法获取更多注释信息的情况下训练该模型，该方法可以在难以定位的数据集（Aachen Day-Night localization dataset）和室内定位测试基准（InLoc indoor localization benchmark）中获得最先进的表现，同时在其他图像匹配和3D重建基准测试中也有竞争力。

May, 2019

本文介绍了一种新的方法来定位监控视频中的异常情况，使用孪生CNN学习视频patch（时空区域）之间的距离函数，根据训练视频中的patch计算测试视频中的patch之间的距离，如果距离超过阈值，则该patch被视为异常。实验证明该方法在4个评估指标和3个数据集上表现超过或相当于现有的最新方法。

Jan, 2020

研究了CNN在视觉地点识别中的应用，提出了一种基于图像相似度的广义对比损失功能（GCL）函数，用于训练Siamese CNN并使用改进的注释来实现自动注释和视觉地点识别，实验证明CNN在这方面的效果优于目前主流的方法。

Mar, 2021

本研究旨在使用三元组卷积神经网络解决移动机器人定位问题，并测试其对光照条件变化的鲁棒性。我们使用在动态条件下捕获的真实室内环境的全景图像。文章提出了两种方法来通过三元组神经网络解决定位问题。第一种是分层定位，它包括两个阶段：粗定位和细定位。第二种是全局定位，它在一步中估计机器人在整个地图中的位置。此外，对损失函数对网络学习过程的影响进行了全面研究。实验证明，三元组神经网络是解决室内环境中移动机器人定位问题的高效且稳健的工具，能考虑到真实操作条件。

Apr, 2024

该研究评估了CNN模型和数据增强技术在使用全向图像进行移动机器人的分层定位方面的应用。研究提出了不同先进CNN模型的消融研究，并提出了各种数据增强的可视效果来解决机器人的视觉定位问题。

Jul, 2024