MFAF：一种基于EVA02的跨视角地理定位多尺度频率注意力融合方法

跨视角地理定位旨在通过将查询图像与图像库进行匹配来确定其地理位置。由于从不同视角观察到的物体外观变化显著，且难以提取具有判别性的特征，该任务极具挑战性。现有方法通常依赖于通过特征图分割来提取特征，而忽略了空间和语义信息。为了解决这些问题，我们提出了基于EVA02的多尺度频率注意力融合（MFAF）方法。MFAF方法由多频率分支块（MFB）和频率感知空间注意力（FSA）模块组成。MFB块有效捕获了多个尺度上的低频结构特征和高频边缘细节，提高了跨各种视角的特征表示的一致性和鲁棒性。同时，FSA模块自适应地聚焦于频率特征的关键区域，显著减轻了背景噪声和视角变化引起的干扰。在广泛认可的基准数据集（包括University-1652、SUES-200和Dense-UAV）上的大量实验表明，MFAF方法在无人机定位和无人机导航任务中均取得了具有竞争力的性能。