摘要
基于卷积神经网络（CNN）的跨视角图像地理定位方法主要依赖极坐标变换，难以建模全局相关性。为此，我们提出一种纯Transformer架构的方法（TransGeo），从全新视角解决上述局限。TransGeo 充分利用了Transformer在建模全局信息和显式编码位置信息方面的优势。此外，我们进一步发挥Transformer输入的灵活性，提出一种注意力引导的非均匀裁剪方法，能够有效剔除信息量低的图像区域，在性能几乎不受影响的前提下显著降低计算开销。节省下来的计算资源可专门用于提升关键信息区域的分辨率，从而在不增加额外计算成本的情况下实现性能提升。这一“注意力引导、聚焦放大”（attend and zoom-in）的策略，与人类观察图像时的行为高度相似。值得注意的是，TransGeo 在城市与乡村数据集上均取得了当前最优的定位性能，且计算成本远低于传统CNN方法。该方法无需依赖极坐标变换，推理速度也优于基于CNN的方法。代码已开源，地址为：https://github.com/Jeff-Zilence/TransGeo2022。