GNSS芯片在无人机、自动驾驶和智能设备中至关重要，通过连接多个卫星系统实现实时定位。尽管在消费电子中不常见，但在自动驾驶、测绘和农业等领域应用广泛。由于高精度和高成本，它们在不需要精确定位的设计中较少使用。

该研究提出了一种知识发现网络(KDN)的重标定连接(RC)方法，用于解决卫星图像中小型目标检测的精确定位难题。该方法能够有效提取多尺度特征，减少干扰激活，提高检测器的学习方向。实验证明，在五种规模优选任务上，嵌入n21S的检测架构表现出良好的有效性和效率。

本文介绍了多模态大型语言模型AlignGPT及其在文本到图像生成中的应用。通过人类反馈和细粒度对齐方法，显著提升了模型性能。同时，研究提出了新的评估框架GenEval，以分析生成模型的能力和不足，推动文本到图像模型的发展。

GeoCLIP是一种受CLIP启发的图像到GPS检索方法，能够精确定位全球范围内的图像。实验表明该方法具有竞争力的性能，并在有限数据情况下有效。同时，通过利用CLIP骨干进行文本查询的地理定位。

该研究评估了大型语言模型在条件问答领域的能力和局限性。研究发现，微调的模型在某些情况下优于现有技术，但在抽取性问答方面存在挑战。研究强调了有效证据检索的重要性，并提出了改进训练任务和探索基于提示的技术以提高模型性能的未来工作的需求。

该研究提出了一种利用卫星图像对地面车辆进行精确定位的方法，通过视觉定位和特征投影矩阵的学习，可以在不需要地面图像数据库的情况下估计任意位置的可能性，并在公共数据集上得到显著的改进。

本文介绍了一种名为“Recombinator Networks”的模型，通过信息重组的方式实现对精确定位的支持，精度提升并降低误差30％。作者还提出了基于卷积神经网络的去噪预测模型，进一步提升性能。

本文提出了一种名为Expand Kernel Network (EK-Net)的新方法，通过采用扩展内核距离解决了现有方法中存在的偏差问题，能够实现任意形状文本的精确定位，并在性能和速度之间取得平衡。评估结果表明，EK-Net在ICDAR 2015和CTW1500上的性能优于其他先进方法。

该文介绍了一种新颖的全局-本地视觉定位（GLVL）网络，实现了无局限累积误差的实时精确定位。在稀疏纹理特征的村庄场景下，该方法只有2.39米的0.48秒的定位误差。