释放未标注数据：跨视角地理定位的一种范式
计算机视觉与模式识别
2024-03-22 v1
摘要
本文研究了在大面积跨视角地理定位（CVGL）中有效利用未标注数据的问题，涵盖无监督和半监督设置。常见的CVGL方法依赖于地面-卫星图像对，并采用标签驱动的监督训练。然而，收集精确的跨视角图像对的成本阻碍了CVGL在实际场景中的部署。没有这些图像对，CVGL将更难处理地面和卫星图像之间显著的成像和空间差异。为此，我们提出了一种无监督框架，包括一个跨视角投影来引导模型检索初始伪标签，以及一个快速重排序机制，利用“完美配对的地面-卫星图像位于唯一且相同的场景”这一事实来优化伪标签。该框架在三个开源基准上表现出与监督工作相竞争的性能。我们的代码和模型将发布在https://github.com/liguopeng0923/UCVGL。
引用
@article{arxiv.2403.14198,
title = {Unleashing Unlabeled Data: A Paradigm for Cross-View Geo-Localization},
author = {Guopeng Li and Ming Qian and Gui-Song Xia},
journal= {arXiv preprint arXiv:2403.14198},
year = {2024}
}
备注
Accepted by CVPR2024