无需配对标记数据：基于无监督学习的无人机视图地理定位
计算机视觉与模式识别
2025-11-27 v5 人工智能
摘要
无人机视图地理定位(DVGL)旨在通过检索最相关的GPS标记卫星图像来实现无人机的精确定位。然而，大多数现有方法严重依赖严格的配对无人机-卫星图像进行监督学习。当目标区域变化时，通常需要新的配对样本来适应分布变化。标注成本高且这些方法的迁移性有限，显著阻碍了DVGL在开放世界场景中的实际部署。为解决这些限制，我们提出一种新颖的端到端自监督学习方法，采用浅层主干网络，称为动态记忆驱动和邻域信息学习(DMNL)方法。它采用聚类算法生成伪标签，并采用双路径对比学习框架来学习判别性的视图内表示。此外，DMNL包含两个核心模块，包括动态层次记忆学习(DHML)模块和信息一致性演化学习(ICEL)模块。DHML模块将短期记忆和长期记忆结合，以增强视图内特征的一致性和判别性。而ICEL模块利用基于邻域的动态约束机制来系统性地捕获隐式的跨视图语义关联，从而提高跨视图特征的对齐。为进一步稳定和加强自监督训练过程，引入伪标签增强策略来提高伪监督的质量。在三个公开基准数据集上的大量实验表明，所提方法一致优于现有的自监督方法，甚至超过了几个最先进的监督方法。我们的代码可在https://github.com/ISChenawei/DMNIL上获取。
引用
@article{arxiv.2502.11381,
title = {Without Paired Labeled Data: End-to-End Self-Supervised Learning for Drone-view Geo-Localization},
author = {Zhongwei Chen and Zhao-Xu Yang and Hai-Jun Rong and Guoqi Li},
journal= {arXiv preprint arXiv:2502.11381},
year = {2025}
}