每一部分都很重要：局部模式促进跨视角地理定位

跨视角地理定位是指从不同平台（例如无人机视角相机和卫星）识别同一地理目标的图像。由于极端视角变化导致的显著视觉外观差异，这一任务极具挑战性。现有的方法通常专注于挖掘图像中心地理目标的细粒度特征，但往往低估了邻近区域的上下文信息。在本研究中，我们认为邻近区域可以作为辅助信息加以利用，从而丰富地理定位中的判别线索。具体而言，我们引入了一种简单而有效的深度神经网络，称为局部模式网络（Local Pattern Network, LPN），以端到端的方式利用上下文信息。LPN 采用了方形环特征分区策略，根据距离图像中心的远近分配注意力权重。这简化了部分匹配过程，并促进了逐部分表示学习。得益于方形环分区设计，所提出的 LPN 对旋转变化具有良好的可扩展性，并在三个主流基准数据集（即 University-1652、CVUSA 和 CVACT）上取得了具有竞争力的结果。此外，我们还展示了 LPN 可以轻松嵌入其他框架中，进一步提升性能。