- 基于双参数磁共振成像的强化学习前列腺癌弱监督本地化
基于弱监督的增强学习系统用于局部化。通过引入一种新的奖励定义，我们训练了一个控制器函数，以定位图像中感兴趣的区域，并利用预训练的二元分类器生成的非二进制分类概率。我们使用肿瘤病变局部化任务在临床前列腺多参数磁共振图像的大型数据集上评估了我们 - MRI 上局部伽马增强对缺血性脑卒中损伤分割的研究
鉴别和定位医学图像中的病理组织在深度学习领域仍然备受关注。我们提出了一种局部伽玛增强技术，通过引入新的病理组织灰度值实例来改善深度神经网络在脑部 MRI 上对缺血性卒中损伤的分割任务的图像级敏感性。
- 级联学习用于视觉场景分类任务中的特征定位
通过两种不同的学习模式来探究通过特征定位的方式学习到的特征，在医学和自然数据集上的分析表明了层级学习策略的优越性，本研究显示级联学习是一种有前景的区域预测方法，并在 YOLO 目标检测框架上显示出比端到端方案提升了 2% 的 mAP。
- 你所见即你所得：使用深度神经网络的经验排名进行拓扑定位的数据集对比相似度
利用最相关的视觉记忆来定位或者事先预测定位的可能结果对于高效和稳健的视觉导航非常有用。我们提出了一种高度可扩展的工具 Visual DNA，用于比较图像数据集，鉴于本文中的深度架构在特定层面上通过匹配特征体积进行地点识别，我们使用分布度量来 - KDD本地化自适应时空图神经网络
本研究针对自适应时空图神经网络 (ASTGNNs) 进行局部化，提出了一种名为自适应图稀疏化（AGS）的图稀疏化算法。实验表明，通过 AGS 进行稀疏化，ASTGNNs 的空间图可以被稀疏化超过 99.5％，而准确性不会有太大下降。因此，研 - 局部化分割：通过裁剪提高危险器官分割准确性
本文旨在通过比较一二阶段使用本地化网络的深度学习方法以及基于全分辨率图像训练的单阶段基线网络的准确性提高，探究使用本地化阶段获得提高的准确性增益，并通过将本地化和器官分割网络结合的两阶段流程，在医学分割十项赛数据集中的脾脏、胰腺和心脏的分割 - MM自我优化的室内定位语义感知
提出了一种新颖的机器人系统，通过持续在线学习和自我监督来适应部署环境，解决了传统机器人学习固定模型的问题。实验结果表明，在语义感知领域的持续学习和回溯有助于降低遗忘风险，提高了分割和定位精度，相比部署固定模型，平均分割提高 60％，定位精度 - ICCV动态未访问环境下的潜在布局定位 - LaLaLoc
LaLaLoc 利用房间布局的潜在表示进行本地化，通过潜在空间中的直接交叉模态姿态优化实现对全景图的细粒度姿态估计，从而在没有先前访问的情况下弥补了其它方法的缺陷，具有鲁棒性和较高的准确性。
- CVPR读和参与：手语视频中的时间定位
利用 Transformer 模型，对连续的手语视频进行训练并输出 Written Tokens，从而实现手语序列中一大量手语的定位，生成大量手语词汇的注释，训练后实现 BSL-1K 标志语言识别基准测试中先前的最佳性能。
- 一种基于排名的平衡损失函数，统一了对象检测中的分类和定位
本文提出了一个统一，有界并平衡的基于排名的损失函数：平均定位 - 召回 - 精度 (aLRP)，用于目标检测中的分类和定位任务，它具有排名和平衡的优点，可自然增强高质量的定位。
- ICLR用于 6 DoF 本地化和密集三维建图的变分状态空间模型
使用深度状态空间模型中的近似贝叶斯推理方法，结合多视图几何和刚体动力学的领域知识，进行六自由度本地化和三维密集重建。我们的方法在真实的无人机飞行数据上进行评估，接近最先进的视觉惯性测距系统的表现，并展示了模型在生成预测和规划方面的应用性。
- 基于区域建议的显著性图细化，用于弱监督疾病定位和分类
本文介绍了一种新的方法，结合区域提议和显著性检测的方法，通过 ChestX-ray14 数据集，证明该模型在弱监督下疾病诊断和定位方面的性能已经成为新的 state-of-the-art。
- 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 - Oxford 机器人车数据集的实时动态运动学地面真实性
该研究描述了一项挑战性的长期定位和映射基准数据的发布，基于大规模牛津机器人车数据集。该数据集包括经过英国牛津市的 72 次通过路线，代表了自动驾驶车辆可靠运行的条件。使用后处理的原始 GPS、IMU 和静态 GNSS 基站记录，我们已经为整 - ECCV嵌入地图和图像的地理定位
该论文提出了一种新的方法来在基于学习低维嵌入空间的 2D 地图上定位全景图像，当使用谷歌街景和开放街地图数据时，通过沿路径连接多个图像来快速收敛，可以实现多达 200 米左右长度的路线的 90％的精度，方法普适性强且比使用前面基于固定语义特 - KDD无线传感器网络强化学习中的能效
本文提出了一种方法，利用强化学习技术，在能源意识系统中连续进行弱训练，从而提高算法性能并节省能源。这种方法通过利用环境中的其他传感器提供弱标签，然后训练出模型。本方法在模拟本地化环境上进行了评估，并在可用的普遍健康数据集上进行了验证，以利用 - ECCV通过深度想象实现本地化：学习特征而非地图
通过深度想象技术，结合视觉马尔可夫 + 深度学习算法，在单次访问之后就能够模拟新环境，使用密集特征提取的深度 Siamese 完全卷积 U-Net 构建嵌入式地图，不需要额外的训练或微调来适应新环境，达到定位的目的。
- ICLR主动神经定位
本文提出了一种名为【Active Neural Localizer】的全可微神经网络，结合传统基于滤波的定位方法的思想，以及策略模型，通过强化学习的训练，可以有效地在各种模拟环境中进行精确和高效的本地化定位。
- SonoNet: 实时检测和定位自由手超声中胎儿标准扫描平面
本研究提出了基于卷积神经网络的新方法，可以自动检测 13 个胎儿标准扫描视图并通过边界框提供胎儿结构的定位，且只需通过图像级标签进行弱监督学习，提供实时定位，检测和检索的精度表现都很高。
- 球面上方向尺度离散小波的本地化
本文探讨了球面上的尺度离散小波以及其与球形小针的关系，结果表明这两者在标量和自旋设置下均有类似的本地化和不相关边界。