从有限标签到开放域：一种高效的无人机视角地理定位学习方法

传统的有监督无人机视角地理定位（DVGL）方法严重依赖配对训练数据，并且在从非配对数据中学习跨视角关联时遇到困难。此外，当部署到新领域时，这些方法需要获取新的配对数据并随后进行重训练以实现模型适应，这显著增加了计算开销。现有的无监督方法已能够基于跨视角相似度生成伪标签来推断配对关系。然而，地理相似性和空间连续性通常导致不同地理位置出现视觉相似的特征。特征混淆损害了伪标签生成的可靠性，其中错误的伪标签驱动了负向优化。鉴于有监督和无监督 DVGL 方法中固有的这些挑战，我们提出了一种在有限监督下的新颖跨域不变知识转移网络（CDIKTNet），其架构由跨域不变子网络（CDIS）和跨域转移子网络（CDTS）组成。该架构促进了不变特征学习和知识转移的闭环框架。CDIS 旨在从少量作为先验知识的配对数据中学习跨视角结构和空间不变性。它在初始化时赋予非配对数据的共享特征空间相似的隐式跨视角关联，从而缓解特征混淆。在此基础上，CDTS 采用双路径对比学习来进一步优化每个子空间，同时保持共享特征空间的一致性。大量实验表明，与那些有监督方法相比，CDIKTNet 在全监督下实现了最先进的性能，并在少样本和跨域初始化方面进一步超越了现有的无监督方法。