基于高度感知分区学习的尺度自适应无人机地理定位

无人机地理定位面临无人机拍摄图像与卫星视图之间外观差异巨大的挑战。现有方法通常假设跨视图间存在一致的缩放因子，并依赖预定义的分区对齐通过部件级特征构建来提取视角不变表示。然而，这种缩放假设在现实场景中常常失效，无人机飞行状态的变化导致跨视图图像之间的尺度不匹配，从而造成严重的性能下降。为了解决这个问题，我们提出了一种尺度自适应分区学习框架，利用已知的无人机飞行高度来预测尺度因子并动态调整特征提取。我们的关键贡献是一种高度感知调整策略，该策略计算无人机视图与卫星视图之间的相对高度比，动态调整分区大小以显式对齐分区对之间的语义信息。该策略被集成到尺度自适应局部分区网络(SaLPN)中，在现有方形分区策略基础上提取细粒度和全局特征。此外，我们提出了一种显著性引导的精化策略来增强部件级特征，进一步提高检索精度。大量实验验证了我们的高度感知、尺度自适应方法在各种尺度不一致场景下达到了最先进的地理定位精度，并对尺度变化表现出强鲁棒性。代码将公开提供。