基于多任务联合学习的跨视角地理定位方法

doi:10.11772/j.issn.1001-9081.2022040541

《计算机应用》唯一官方网站 ›› 2023, Vol. 43 ›› Issue (5): 1625-1635.DOI: 10.11772/j.issn.1001-9081.2022040541

所属专题：前沿与综合应用

基于多任务联合学习的跨视角地理定位方法

王先兰¹, 周金坤¹, 穆楠², 王晨³()

^1.武汉邮电科学研究院, 武汉 430074
^2.四川师范大学计算机科学学院, 成都 610101
^3.南京烽火天地通信科技有限公司, 南京 210019

收稿日期:2022-04-18 修回日期:2022-07-04 接受日期:2022-07-05 发布日期:2022-08-12 出版日期:2023-05-10
通讯作者: 王晨
作者简介:王先兰（1969—），女，湖北荆州人，高级工程师，主要研究方向：人工智能、数据通信
周金坤（1995—），男，湖北荆州人，硕士研究生，主要研究方向：深度学习、计算机视觉
穆楠（1991—），男，河南南阳人，讲师，博士，主要研究方向：图像处理、计算机视觉
王晨（1979—），男，江苏南京人，高级工程师，硕士，主要研究方向：网络安全、深度学习。wangchen5005@fiberhome.com
基金资助:
国家自然科学基金资助项目(62006165)

Cross-view geo-localization method based on multi-task joint learning

Xianlan WANG¹, Jinkun ZHOU¹, Nan MU², Chen WANG³()

^1.Wuhan Research Institute of Posts and Telecommunications，Wuhan Hubei 430074，China
^2.College of Computer Science，Sichuan Normal University，Chengdu Sichuan 610101，China
^3.Nanjing Fiberhome Tiandi Communication Technology Company Limited，Nanjing Jiangsu 210019，China

Received:2022-04-18 Revised:2022-07-04 Accepted:2022-07-05 Online:2022-08-12 Published:2023-05-10
Contact: Chen WANG
About author:WANG Xianlan， born in 1969， senior engineer. Her research interests include artificial intelligence， data communication.
ZHOU Jinkun， born in 1995， M. S. candidate. His research interests include deep learning， computer vision.
MU Nan， born in 1991， Ph. D.， lecturer. His research interests include image processing， computer vision.
WANG Chen， born in 1979， M. S.， senior engineer. His research interests include network security， deep learning.
Supported by:
National Natural Science Foundation of China(62006165)

摘要/Abstract

摘要：

针对现有跨视角地理定位方法中视点不变特征与视角转换方法割裂导致的性能提升瓶颈问题，提出多任务联合学习模型（MJLM）。MJLM由前置图像生成模型和后置图像检索模型组成。前置生成模型首先使用逆透视映射（IPM）进行坐标变换，显式地弥合空间域差，使投影图像与真实卫星图的空间几何特征大致相同；然后通过提出的跨视角生成对抗网络（CVGAN）隐式地对图像内容及纹理进行细粒度的匹配和修复，并合成出更平滑且真实的卫星图像。后置检索模型由多视角多监督网络（MMNet）构成，能够兼顾多尺度特征和多监督学习的图像检索任务。在University-1652（无人机定位数据集）上进行实验，结果显示MJLM对无人机（UAV）定位任务的平均精确率（AP）及召回率（R@1）分别达到89.22%和87.54%，与LPN （Local Pattern Network）和MSBA （MultiScale Block Attention）相比，MJLM在R@1上分别提升了15.29%和1.07%。可见，MJLM能在一个聚合框架体系内联合处理跨视角图像生成任务及检索任务，实现基于视角转换与视点不变特征方法的融合，有效提升跨视角地理定位的精度和鲁棒性，验证UAV定位的可行性。

关键词: 跨视角地理定位, 无人机图像定位, 视角转换, 特征提取, 深度学习

Abstract:

Multi-task Joint Learning Model （MJLM） was proposed to solve the performance improvement bottleneck problem caused by the separation of viewpoint-invariant feature and view transformation method in the existing cross-view geo-localization methods. MJLM was made up of a proactive image generative model and a posterior image retrieval model. In the proactive generative model， firstly， Inverse Perspective Mapping （IPM） for coordinate transformation was used to explicitly bridge the spatial domain difference so that the spatial geometric features of the projected image and the real satellite image were approximately the same. Then， the proposed Cross-View Generative Adversarial Network （CVGAN） was used to match and restore the image contents and textures at a fine-grained level implicitly and synthesize smoother and more real satellite images. The posterior retrieval model was composed of Multi-view and Multi-supervision Network （MMNet）， which could perform image retrieval tasks with multi-scale features and multi-supervised learning. Experimental results on Unmanned Aerial Vehicle （UAV） dataset University-1652 show that MJLM achieves the Average Precision （AP） of 89.22% and Recall （R@1） of 87.54%， respectively. Compared with LPN （Local Pattern Network） and MSBA （MultiScale Block Attention）， MJLM has the R@1 improved by 15.29% and 1.07% respectively. It can be seen that MJLM processes the cross-view image synthesis and retrieval tasks together to realize the fusion of view transformation and viewpoint-invariant feature methods in an aggregation， improves the precision and robustness of cross-view geo-localization significantly and verifies the feasibility of the UAV localization.

Key words: cross-view geo-localization, Unmanned Aerial Vehicle (UAV) image localization, view transformation, feature extraction, deep learning

中图分类号:

TP391.4

王先兰, 周金坤, 穆楠, 王晨. 基于多任务联合学习的跨视角地理定位方法[J]. 计算机应用, 2023, 43(5): 1625-1635.

Xianlan WANG, Jinkun ZHOU, Nan MU, Chen WANG. Cross-view geo-localization method based on multi-task joint learning[J]. Journal of Computer Applications, 2023, 43(5): 1625-1635.

图/表 18

图1 无人机图像定位和导航任务示意图

Fig. 1 Schematic diagram of UAV image localization and navigation tasks

图2 基于视角转换的前置图像生成模型

Fig. 2 Proactive image generation model based on view transformation

图3 无人机定位场景的IPM示意图

Fig. 3 Schematic diagram of IPM of UAV localization scene

图4 基于IPM的坐标转换效果图

Fig. 4 Effect diagram of coordinate transformation based on IPM

图5 生成器架构示意图

Fig. 5 Schematic diagram of generator architecture

图6 生成器网络细节示意图

Fig.6 Schematic diagram of generator details

表1 生成器网络结构参数

Tab. 1 Network structure parameters of generator

参数名称	输出特征尺寸
$I p s$	3， 256， 256
1×1 Conv	32， 256， 256
（enc1）残差下采样模块RD1	128， 128， 128
（enc2）残差下采样模块RD2	256， 64， 64
（enc3）残差下采样模块RD3	512， 32， 32
网络瓶颈层×6	512， 32， 32
+嵌合（enc3）残差上采样模块RU1	256， 64， 64
+嵌合（enc2）自注意力模块	512， 64， 64
残差上采样模块RU2	128 128， 128
+嵌合（enc1）残差上采样模块RU3	32， 256， 256
3×3 Conv + Tanh	3， 256， 256

表1 生成器网络结构参数

Tab. 1 Network structure parameters of generator

参数名称	输出特征尺寸
$I p s$	3， 256， 256
1×1 Conv	32， 256， 256
（enc1）残差下采样模块RD1	128， 128， 128
（enc2）残差下采样模块RD2	256， 64， 64
（enc3）残差下采样模块RD3	512， 32， 32
网络瓶颈层×6	512， 32， 32
+嵌合（enc3）残差上采样模块RU1	256， 64， 64
+嵌合（enc2）自注意力模块	512， 64， 64
残差上采样模块RU2	128 128， 128
+嵌合（enc1）残差上采样模块RU3	32， 256， 256
3×3 Conv + Tanh	3， 256， 256

表2 判别器网络结构参数

Tab. 2 Network structure parameters of discriminator

参数名称	输出特征尺寸
$I s$ / $G (I p s)$	3， 256， 256
4×4 Conv + LeakyReLU（0.2）	64， 128， 128
4×4 Conv + LeakyReLU（0.2）	128， 64， 64
非局部自注意力模块	128， 64， 64
4×4 Conv + LeakyReLU（0.2）	256， 32， 32
4×4 Conv + LeakyReLU（0.2）	512， 32， 32
4×4 Conv	1， 32， 32

表2 判别器网络结构参数

Tab. 2 Network structure parameters of discriminator

参数名称	输出特征尺寸
$I s$ / $G (I p s)$	3， 256， 256
4×4 Conv + LeakyReLU（0.2）	64， 128， 128
4×4 Conv + LeakyReLU（0.2）	128， 64， 64
非局部自注意力模块	128， 64， 64
4×4 Conv + LeakyReLU（0.2）	256， 32， 32
4×4 Conv + LeakyReLU（0.2）	512， 32， 32
4×4 Conv	1， 32， 32

图7 MJLM架构示意图

Fig. 7 Schematic diagram of MJLM architecture

图8 University-1652数据集图像示例

Fig. 8 Samples of images from University-1652 dataset

表3 University-1652数据集上MJLM与前沿方法的性能比较 ( %)

Tab. 3 Performance comparison between MJLM and state-of-the-art methods on University-1652 dataset

方法	骨干网络	无人机→卫星		卫星→无人机
方法	骨干网络	R@1	AP	R@1	AP
ORB^［34］	—	11.31	19.36	28.46	30.12
SIFT^［35］	—	21.47	29.47	41.57	35.43
SURF^［36］	—	19.69	36.29	45.26	34.13
加权软边界三元组损失^［10］	VGG16	53.21	58.03	65.62	54.47
实例损失^［17］	ResNet-50	58.23	62.91	74.47	59.45
LCM^［20］	ResNet-50	66.65	70.82	79.89	65.38
SFPN^［19］	ResNet-50	70.83	77.36	80.26	71.58
LPN^［18］	ResNet-50	75.93	79.14	86.45	74.79
PCL^［26］	ResNet-50	83.27	87.32	91.78	82.18
MMNet^［25］	ResNet-50	83.97	86.96	90.15	84.69
FSRA^［22］	Vit-S	85.50	87.53	89.73	84.94
MSBA^［21］	ResNet-50	86.61	88.55	92.15	84.45
IPM+CVGAN+LPN	ResNet-50	81.58	85.45	—	—
MJLM	ResNet-50	87.54	89.22	—	—

图9 无人机定位任务结果图

Fig. 9 Result graphs of UAV localization tasks

表4 University-1652数据集上前置图像生成模型的消融实验结果

Tab. 4 Ablation study results of proactive image generation model on University-1652 dataset

模型	RMSE（↓）	SSIM（↑）	PSNR（↑）	SD（↑）
Ips vs Is （i.）	49.154	0.459	19.546	16.421
w/o R （ii.）	39.638	0.799	30.232	31.678
w / LPN （iii.）	39.304	0.816	30.644	31.824
w / MMNet （iv.）	39.289	0.821	30.651	31.815

表5 University-1652数据集上后置图像检索模型的消融实验结果单位： % ( %)

Tab. 5 Ablation study results of posterior image retrieval model on University-1652 dataset

模型	无人机→卫星
模型	R@1	R@5	R@10	AP
MMNet	83.97	88.84	93.29	86.96
w/o IPM（i.）	85.73.	90.63	95.10	87.85
w/o G&D（ii.）	85.42	90.85	95.77	87.33
w/o $L c G A N$ （iii.）	86.95	91.71	96.46	88.81
w/ $G (I p s)$ （iv.）	86.53	91.18	96.01	88.74
MJLM	87.54	92.33	96.95	89.22

表5 University-1652数据集上后置图像检索模型的消融实验结果单位： % ( %)

Tab. 5 Ablation study results of posterior image retrieval model on University-1652 dataset

模型	无人机→卫星
模型	R@1	R@5	R@10	AP
MMNet	83.97	88.84	93.29	86.96
w/o IPM（i.）	85.73.	90.63	95.10	87.85
w/o G&D（ii.）	85.42	90.85	95.77	87.33
w/o $L c G A N$ （iii.）	86.95	91.71	96.46	88.81
w/ $G (I p s)$ （iv.）	86.53	91.18	96.01	88.74
MJLM	87.54	92.33	96.95	89.22

表6 University-1652数据集上拍摄距离对定位性能的影响 ( %)

Tab. 6 Influence of shooting distance on localization performance on University-1652 dataset

距离	无人机→卫星
距离	R@1	AP
全部	87.54	89.22
短	87.75	89.59
中	88.99	91.84
长	85.97	87.87

表7 University-1652数据集上偏移不变性的验证结果 ( %)

Tab. 7 Verification results of offset-invariance on University-1652 dataset

偏移像素	无人机→卫星
偏移像素	R@1	AP
0	87.54	89.22
10	87.19	88.93
20	85.70	86.75
30	84.57	85.11
40	81.21	81.00
50	76.92	77.44

图10 偏移不变性消融实验对比图

Fig. 10 Comparison map of offset-invariance ablation experiment

表8 University-1652数据集上旋转不变性验证结果

Tab. 8 Verification results of rotation-invariance on University-1652 dataset

旋转角度/（°）		无人机→卫星
Query集	Gallery集	R@1/%	AP/%
0	0	87.54	89.22
45	0	85.97	85.13
90	0	81.38	82.94
135	0	84.19	84.61
180	0	86.15	88.49
32	75	85.81	86.26
216	87	83.44	83.17

参考文献 36

1	SHI Y J， YU X， CAMPBELL D， et al. Where am I looking at？ Joint location and orientation estimation by cross-view matching［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 4063-4071. 10.1109/cvpr42600.2020.00412
2	SHI Y J， LIU L， YU X， et al. Spatial-aware feature aggregation for image based cross-view geo-localization［C/OL］// Proceedings of the 33rd Conference on Neural Information Processing Systems ［2022-03-12］.. 10.1609/aaai.v34i07.6875
3	RODRIGUES R， TANI M. Are these from the same place？ Seeing the unseen in cross-view image geo-localization［C］// Proceedings of the 2021 IEEE Winter Conference on Applications of Computer Vision. Piscataway： IEEE， 2021： 3752-3760. 10.1109/wacv48630.2021.00380
4	ZHU S J， YANG T J N， CHEN C. Revisiting street-to-aerial view image geo-localization and orientation estimation［C］// Proceedings of the 2021 IEEE Winter Conference on Applications of Computer Vision. Piscataway： IEEE， 2021： 756-765. 10.1109/wacv48630.2021.00080
5	YU Q， WANG C F， CETINER B， et al. Building information modeling and classification by visual learning at a city scale［EB/OL］. （2020-07-21）［2022-02-01］..
6	LONG Y， GONG Y P， XIAO Z F， et al. Accurate object localization in remote sensing images based on convolutional neural networks［J］. IEEE Transactions on Geoscience and Remote Sensing， 2017， 55（5）： 2486-2498. 10.1109/tgrs.2016.2645610
7	ZHAI M H， BESSINGER Z， WORKMAN S， et al. Predicting ground-level scene layout from aerial imagery［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 4132-4140. 10.1109/cvpr.2017.440
8	TIAN Y C， CHEN C， SHAH M. Cross-view image matching for geo-localization in urban environments［C］// Proceedings of the 2017 IEEE Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2017： 1998-2006. 10.1109/cvpr.2017.216
9	SIMONYAN K， ZISSERMAN A. Very deep convolutional networks for large-scale image recognition［EB/OL］. （2015-04-10）［2022-01-21］..
10	HU S X， FENG M D， NGUYEN R M H， et al. CVM-Net： cross-view matching network for image-based ground-to-aerial geo-localization［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 7258-7267. 10.1109/cvpr.2018.00758
11	REGMI K， SHAH M. Bridging the domain gap for ground-to-aerial image matching［C］// Proceedings of the 2019 IEEE/CVF International Conference on Computer Vision . Piscataway： IEEE， 2019： 470-479. 10.1109/iccv.2019.00056
12	ZHU S J， YANG T J N， CHEN C. VIGOR： cross-view image geo-localization beyond one-to-one retrieval［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 5316-5325. 10.1109/cvpr46437.2021.00364
13	TOKER A， ZHOU Q J， MAXIMOV M， et al. Coming down to earth： satellite-to-street view synthesis for geo-localization［C］// Proceedings of the 2021 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2021： 6484-6493. 10.1109/cvpr46437.2021.00642
14	YAN Y N， DENG L， LIU X L， et al. Application of UAV-based multi-angle hyperspectral remote sensing in fine vegetation classification［J］. Remote Sensing， 2019， 11（23）： No.2753. 10.3390/rs11232753
15	赵爽，黄怀玉，胡一鸣，等. 基于深度学习的无人机航拍车辆检测［J］.计算机应用， 2019， 39（S2）：91-96.
	ZHAO S， HUANG H Y， HU Y M， et al. Vehicle detection in satellite imagery based on deep learning［J］. Journal of Computer Applications， 2019， 39（S2）： 91-96.
16	LIU W， YANG M Y， XIE M， et al. Accurate building extraction from fused DSM and UAV images using a chain fully convolutional neural network［J］. Remote Sensing， 2019， 11（24）： No.2912. 10.3390/rs11242912
17	ZHENG Z D， WEI Y C， YANG Y. University-1652： a multi-view multi-source benchmark for drone-based geo-localization［C］// Proceedings of the 28th ACM International Conference on Multimedia. New York： ACM， 2020： 1395-1403. 10.1145/3394171.3413896
18	WANG T Y， ZHENG Z D， YAN C G， et al. Each part matters： local patterns facilitate cross-view geo-localization［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2022， 32（2）： 867-879. 10.1109/tcsvt.2021.3061265
19	HE S J， WANG Y H. Cross-view geo-localization via salient feature partition network［J］. Journal of Physics： Conference Series， 2021， 1914： No.012009. 10.1088/1742-6596/1914/1/012009
20	DING L R， ZHOU J， MENG L X， et al. A practical cross-view image matching method between UAV and satellite for UAV-based geo-localization［J］. Remote Sensing， 2020， 13（1）： No.47. 10.3390/rs13010047
21	ZHUANG J D， DAI M， CHEN X R Y， et al. A faster and more effective cross-view matching method of UAV and satellite images for UAV geolocalization［J］. Remote Sensing， 2021， 13（19）： No.3979. 10.3390/rs13193979
22	DAI M， HU J H， ZHUANG J D， et al. A Transformer-based feature segmentation and region alignment method for UAV-view geo-localization［J］. IEEE Transactions on Circuits and Systems for Video Technology， 2022， 32（7）： 4376-4389. 10.1109/tcsvt.2021.3135013
23	HU S Y， CHANG X J. Multi-view drone-based geo-localization via style and spatial alignment［EB/OL］. （2020-07-09）［2022-03-15］. .
24	HUI T， CHEN X Q， ZHU R G， et al. Cross-view matching neural network for remote sensing images［C］// Proceedings of the IEEE 6th International Conference on Smart Cloud. Piscataway： IEEE， 2021： 138-143. 10.1109/smartcloud52277.2021.00031
25	周金坤，王先兰，穆楠，等. 基于多视角多监督网络的无人机图像定位方法［J］. 计算机应用， 2022， 42（10）：3191-3199. 10.11772/j.issn.1001-9081.2021081518
	ZHOU J K， WANG X L， MU N， et al. Unmanned aerial vehicle image localization based on multi-view and multi-supervision network［J］. Journal of Computer Applications， 2022， 42（10）：3191-3199. 10.11772/j.issn.1001-9081.2021081518
26	四川省人工智能研究院（宜宾）. 一种基于无人机-卫星的跨视角地理定位方法： 202110916258 .6［P］. 2021-09-07.
	Sichuan Institute of Artificial Intelligence （Yibin）. A cross-view geo-localization method between UAV and satellite： 202110916258 .6［P］. 2021-09-07.
27	SHI Y J， YU X， LIU L， et al. Optimal feature transport for cross-view image geo-localization［C］// Proceedings of the 34th AAAI Conference on Artificial Intelligence. Palo Alto， CA： AAAI Press， 2020： 11990-11997. 10.1609/aaai.v34i07.6875
28	REGMI K， BORJI A. Cross-view image synthesis using conditional GANs［C］// Proceedings of the 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2018： 3501-3510. 10.1109/cvpr.2018.00369
29	LU X H， LI Z Y， CUI Z P， et al. Geometry-aware satellite-to-ground image synthesis for urban areas［C］// Proceedings of the 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2020： 856-864. 10.1109/cvpr42600.2020.00094
30	张建伟，雷霖. 基于透视投影的垂直视角投影算法研究［J］. 成都大学学报（自然科学版）， 2017， 36（1）： 47-50. 10.3969/j.issn.1004-5422.2017.01.012
	ZHANG J W， LEI L. Top-view projection algorithm research based on perspective projection［J］. Journal of Chengdu University （Natural Science Edition）， 2017， 36（1）： 47-50. 10.3969/j.issn.1004-5422.2017.01.012
31	ZHANG H， GOODFELLOW I， METAXAS D， et al. Self-attention generative adversarial networks［C］// Proceedings of the 36th International Conference on Machine Learning. New York： JMLR.org， 2019： 7354-7363.
32	HE K M， ZHANG X Y， REN S Q， et al. Identity mappings in deep residual networks［C］// Proceedings of the 2016 European Conference on Computer Vision， LNCS 9908. Cham： Springer， 2016： 630-645.
33	MIYATO T， KATAOKA T， KOYAMA M， et al. Spectral normalization for generative adversarial networks［EB/OL］. （2018-02-16）［2022-03-21］.. 10.1007/978-3-030-63416-2_860
34	KE Y， SUKTHANKAR R. PCA-SIFT： a more distinctive representation for local image descriptors［C］// Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition. Piscataway： IEEE， 2004： II-506-II-513.
35	RUBLEE E， RABAUD V， KONOLIGE K， et al. ORB： an efficient alternative to SIFT or SURF［C］// Proceedings of the 2011 IEEE International Conference on Computer Vision. Piscataway： IEEE， 2011： 2564-2571. 10.1109/iccv.2011.6126544
36	BAY H， TUYTELAARS T， van GOOL L. SURF： speeded up robust features［C］// Proceedings of the 2006 European Conference on Computer Vision， LNCS 3951. Berlin： Springer， 2006： 404-417.

[1]	李顺勇, 李师毅, 胥瑞, 赵兴旺. 基于自注意力融合的不完整多视图聚类算法[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2696-2703.
[2]	潘烨新, 杨哲. 基于多级特征双向融合的小目标检测优化模型[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2871-2877.
[3]	秦璟, 秦志光, 李发礼, 彭悦恒. 基于概率稀疏自注意力神经网络的重性抑郁疾患诊断[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2970-2974.
[4]	王熙源, 张战成, 徐少康, 张宝成, 罗晓清, 胡伏原. 面向手术导航3D/2D配准的无监督跨域迁移网络[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2911-2918.
[5]	黄云川, 江永全, 黄骏涛, 杨燕. 基于元图同构网络的分子毒性预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2964-2969.
[6]	杨鑫, 陈雪妮, 吴春江, 周世杰. 结合变种残差模型和Transformer的城市公路短时交通流预测[J]. 《计算机应用》唯一官方网站, 2024, 44(9): 2947-2951.
[7]	付帅, 郭小英, 白茹意, 闫涛, 陈斌. 改进的CloFormer模型与有序回归相结合的年龄评估方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2372-2380.
[8]	陈彤, 杨丰玉, 熊宇, 严荭, 邱福星. 基于多尺度频率通道注意力融合的声纹库构建方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2407-2413.
[9]	刘禹含, 吉根林, 张红苹. 基于骨架图与混合注意力的视频行人异常检测方法[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2551-2557.
[10]	顾焰杰, 张英俊, 刘晓倩, 周围, 孙威. 基于时空多图融合的交通流量预测[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2618-2625.
[11]	石乾宏, 杨燕, 江永全, 欧阳小草, 范武波, 陈强, 姜涛, 李媛. 面向空气质量预测的多粒度突变拟合网络[J]. 《计算机应用》唯一官方网站, 2024, 44(8): 2643-2650.
[12]	吴筝, 程志友, 汪真天, 汪传建, 王胜, 许辉. 基于深度学习的患者麻醉复苏过程中的头部运动幅度分类方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2258-2263.
[13]	李欢欢, 黄添强, 丁雪梅, 罗海峰, 黄丽清. 基于多尺度时空图卷积网络的交通出行需求预测[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2065-2072.
[14]	张郅, 李欣, 叶乃夫, 胡凯茜. 基于暗知识保护的模型窃取防御技术DKP[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2080-2086.
[15]	赵亦群, 张志禹, 董雪. 基于密集残差物理信息神经网络的各向异性旅行时计算方法[J]. 《计算机应用》唯一官方网站, 2024, 44(7): 2310-2318.

基于多任务联合学习的跨视角地理定位方法

Cross-view geo-localization method based on multi-task joint learning

RichHTML

PDF

可视化

摘要/Abstract

引用本文

使用本文

图/表 18

参考文献 36

相关文章 15

编辑推荐

Metrics