UASTHN：用于 UAV 卫星热定位的不确定性感知深层单张全图估计

Geo-localization 是无人机 (UAV) 导航系统的 essential 组成部分，用于确保在户外环境中实现精确的绝对自定位。为解决 GPS 信号中断或光照不足的问题，热定位 (TG) 采用航空热成像图像与参考卫星地图对齐，以准确确定 UAV 的位置。然而，现有 TG 方法缺乏对输出不确定性的测量，在纹理缺失或损坏的热图像、自相似或过时的卫星地图、几何噪声或热图像超过卫星地图的情况下会损害系统鲁棒性。为克服这些限制，本文提出 UASTHN，这是一种用于 TG 应用的深层单张全图估计中的不确定性估计方法。具体而言，我们引入一种 novel 的基于作物的测试时增强 (CropTTA) 策略，利用作物图像视图之间的单张全图共识有效测量数据不确定性。该方法由用于模型不确定性的 Deep Ensembles (DE) 补充，提供相当性能且更高效，可无缝集成到任何 DHE 模型中。跨多个 DHE 模型的大量实验表明，CropTTA 在 TG 应用中有效且高效。对检测到的 failure 情况的分析凸显了在挑战性条件下的 CropTTA 可靠性提升。最后，我们展示了将 CropTTA 和 DE 组合用于全面评估数据和模型不确定性的能力。我们的研究为 localization 与不确定性估计更广泛的交叉提供了深刻见解。代码和模型均公开可用。