层次化空间判别驱动的连续覆盖场景无人机跨视角地理定位
《Remote Sensing》:Hierarchical Spatial Discrimination for UAV Geo-Localization Under Continuous-Coverage Partial Matching
【字体:
大
中
小
】
时间:2026年10月02日
来源:Remote Sensing 4.3
摘要
跨视角地理定位通过无人机图像与地理标记卫星数据库的匹配,实现无GNSS条件下的无人机导航,是遥感领域的一项关键能力。现有方法在标志性地标基准测试中表现良好,但在连续覆盖场景中面临挑战——无人机图像仅与周围图幅部分重叠,且许多研究通过丢弃部分配对来回避这一问题。该场景要求层次化的空间判别能力:模型需首先区分远距离区域,再利用细粒度空间布局区分邻近图幅。我们将这一层次结构嵌入三个流水线阶段。在特征层面,中间层视觉Transformer(ViT)配合全局平均池化提供了有效的空间感知表示,且不增加额外参数开销。在训练层面,动态课程挖掘(DCM)是我们的主要训练贡献,它逐步将批内负样本挖掘从粗粒度地理判别转向细粒度视觉混淆。在推理层面,空间重叠估计模块(SOEM)通过块级token匹配估计无人机与卫星图像的重叠区域,并对候选结果进行重排序。在GTA-UAV跨区域数据集上,我们的方法取得了71.75%的Recall@1和222.0 m的Dis@1;在DenseUAV上达到了96.22%的Recall@1。在真实世界UAV-VisLoc数据集上的零样本跨数据集评估中,GTA-UAV训练的模型在无需目标域适应的情况下实现了35.39%的Recall@1,为该方法向真实无人机影像的迁移提供了额外证据。该框架未依赖重型辅助模块,刻意将额外架构开销降至最低:层截断使主干推理成本降低约16%,而SOEM仅引入0.08M额外参数。
生物通微信公众号
生物通新浪微博
今日动态 |
人才市场 |
新技术专栏 |
中国科学人 |
云展台 |
BioHot |
云讲堂直播 |
会展中心 |
特价专栏 |
技术快讯 |
免费试用
版权所有 生物通
Copyright© eBiotrade.com, All Rights Reserved
联系信箱:
粤ICP备09063491号