2DTriPnP: A Robust Two-Dimensional Method for Fine Visual Localization Using Google Streetview Database
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
Notice bibliographique
Résumé
The complete camera pose (location + orientation) of the Google street view (GSV) images is provided by Google. Hence, one can utilize this information to localize a query camera based on the projective geometry. The existing literature works either perform image retrieval-based rough location recognition or require high-computational power/specific features for three-dimensional fine localization. In this paper, we propose a robust 2-D method for outdoor image-based localization using the GSV database. Having found the nearest neighboring images (best matches) in the GSV database using image retrieval techniques or the GPS circle information, the proposed method can be applied for robust fine localization of pedestrians/vehicles. The proposed method first finds the common features among the three views, i.e., query view and two from the best matches. Next, for each common feature, a 2-D triangulation is performed using the retrieved database images to find the feature world coordinates. We call this procedure “2DTri.” Afterward, a novel set of nonlinear equations is solved to estimate the fine location of the query. The novel set of equations can be interpreted as a 2-D version of the well-known perspective n-point (PnP) problem, which we call “2DPnP.” Hence, the proposed method is named “2DTriPnP.” The 2DPnP step is performed in a robust way, which is more accurate and considerably less complex compared to the conventional RANSAC-based robust methods. 2DTriPnP will be demonstrated experimentally to show better localization performance compared to other state-of-the-art methods.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,000 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découle