PulseAugur
中
实时 01:21:07
English(EN) Selectivity Drives Efficiency: Dataset Pruning for Visual Place Recognition

新框架剪枝数据集以实现高效视觉地点识别

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员为视觉地点识别（VPR）任务开发了一种新颖的地点级数据集剪枝框架。该方法将每个地点视为剪枝的基本单元，引入了地点内多样性和地点间相似性指标来评估训练价值。该框架旨在通过创建紧凑但信息丰富的核心集，降低与大型VPR数据集相关的存储和训练成本。实验表明，该方法在MSLS-val和Nordland等基准测试中表现优于现有方法，在显著减小数据集规模的同时实现了高性能。 AI

影响 这项研究通过降低数据存储和计算成本，有望提高视觉识别模型的训练效率。

排序理由 该集群包含一篇学术论文，详细介绍了一种用于计算机视觉数据集剪枝的新方法。

在 arXiv cs.CV 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

新框架剪枝数据集以实现高效视觉地点识别

报道来源 [2]

  1. arXiv cs.CV TIER_1 English(EN) · Tong Jin, Yunpeng Liu, Shuyu Hu, Chun Yuan, Song Wang, Feng Lu ·

    选择性驱动效率：用于视觉定位的数据集剪枝

    arXiv:2607.14897v1 Announce Type: new Abstract: Recent visual place recognition (VPR) studies have increasingly relied on large-scale datasets to train more robust and discriminative models. Although this trend significantly improves recognition performance, it also introduces su…

  2. arXiv cs.CV TIER_1 English(EN) · Feng Lu ·

    选择性驱动效率：用于视觉定位的数据集剪枝

    Recent visual place recognition (VPR) studies have increasingly relied on large-scale datasets to train more robust and discriminative models. Although this trend significantly improves recognition performance, it also introduces substantial storage and training costs, especially…

相关实体

相关话题