摘要
在本文中，我们提出了一种新型深度网络，旨在显式地解决地面视角与航拍视角之间的固有差异问题。我们观察到，地面图像与航拍图像之间存在某种近似的域对应关系：在航拍图像中，位于相同方位角方向的像素，大致对应于地面视角图像中的一列垂直图像区域。基于这一先验知识，我们提出了一种两阶段方法。第一阶段，对航拍图像应用标准的极坐标变换，将其映射到与地面全景图像更接近的域空间中。需要指出的是，极坐标变换作为一种纯几何变换，不依赖于场景内容，因此无法实现两个域之间的完全对齐。随后，我们引入一种空间注意力机制，进一步在嵌入空间中拉近对应深度特征的距离。为增强特征表示的鲁棒性，我们设计了一种基于多空间嵌入学习的特征聚合策略。通过上述两阶段方法，我们获得了更具判别性的深度特征表示，显著提升了跨视角地理定位的准确性。在标准基准数据集上的实验结果表明，该方法取得了显著的性能提升，相较于此前的最先进方法，召回率提升了超过一倍。