University-1652
PulseAugur coverage of University-1652 — every cluster mentioning University-1652 across labs, papers, and developer communities, ranked by signal.
-
新框架使无人机无需卫星数据即可进行地理定位
一篇研究论文提出了一种新颖的无卫星训练（SFT）框架，用于无人机视角地理定位（DVGL）。该任务旨在通过将无人机图像与带地理标签的卫星影像匹配，来识别无人机在GPS受限环境中的位置。SFT框架通过使用3D高斯溅射从多视角无人机镜头中重建3D场景，生成伪正射影像，然后从这些无人机生成的图像中提取特征，从而绕过了训练期间对卫星图像的需求。这种方法由陶刘（Tao Liu）和University-1652的一篇论文详细介绍，缩小了与在训练期间…
-
STEAM框架提供无监督跨视图地理定位
研究人员推出了一种新颖的无监督跨视图地理定位框架STEAM，该框架无需人工标注即可匹配无人机和卫星图像。该方法采用稳定的空间感知模块进行鲁棒特征表示，弹性匹配识别高质量伪标签，以及自适应净化在自训练过程中维护干净的伪标签数据集。在基准数据集上的实验表明，STEAM在无监督方法中取得了最先进的成果，并且与监督方法相当。
-
DreamNav框架利用扩散模型实现无人机末端精确定位导航
研究人员开发了DreamNav，一个利用单目视觉实现无人机（UAV）末端精确定位导航的新型框架。该方法通过一个两阶段过程解决了尺度模糊和视角变化等挑战：一个使用鲁棒回归策略的粗略估计阶段，以及一个利用预训练世界模型进行视觉想象的扩散模型精炼阶段。为了便于评估，研究团队还引入了PairUAV，一个源自University-1652数据集的大规模基准数据集，包含72个场景的480万张图像对。实验表明，与现有的视觉伺服和基础模型基线相比，D…
-
GeoFuse 框架融合路图和卫星图像，实现不受天气影响的无人机地理定位
研究人员开发了 GeoFuse，一个旨在提高无人机地理定位精度的新框架，尤其是在恶劣天气条件下。该系统独特地整合了提供不受天气影响的几何线索的路图数据和卫星图像。通过融合这些模态，GeoFuse 生成了更鲁棒的表示，在 University-1652 和 DenseUAV 等基准测试中表现显著优于现有方法，在召回率方面显示出显著改进。
-
GeoFuse 使用路网图来改善恶劣天气下无人机的地理定位
研究人员开发了 GeoFuse，一个集成路网图数据和卫星图像的无人机地理定位新框架。该方法旨在通过利用路网固有的几何稳定性来提高精度，尤其是在雨或雾等恶劣天气条件下。GeoFuse 使用灵活的融合模块和对比学习结合了两种模态的特征，在关键基准测试中表现优于现有方法。