该研究探讨了视觉地点识别中的重排序问题，提出三种无模型方法，利用深度学习提取局部特征，展现出在外观变化下的鲁棒性。实验结果表明，这些方法与先进技术相当，验证了无模型方法的可行性。

本文介绍了Patch-NetVLAD方法，通过结合局部和全局描述符，从NetVLAD中提取局部特征，实现特征空间网格上的深度学习。该方法能有效聚合和匹配特征，进行多尺度融合，提升视觉地点识别的稳定性和效率，增强SLAM系统性能。

该研究介绍了一种新颖的多层感知器（MLP）完整性监控器，用于视觉地点识别系统。实验结果表明该监控器在性能和泛化能力上有所改进，可以提高视觉地点识别和导航性能。

该研究介绍了一种新颖的多层感知器（MLP）完整性监控器，用于视觉地点识别系统。实验结果表明该监控器在性能和泛化能力上有所改进，可以提高视觉地点识别和导航性能。

该论文介绍了NYC-Indoor-VPR数据集，包含纽约市13个不同拥挤场景的超过36,000张图片。通过半自动标注方法，建立了视觉地点识别的基准，并对几种最先进的视觉地点识别算法进行了评估。

这篇文章介绍了一种名为查询包（BoQ）的新技术，它在视觉地点识别中表现出卓越性能。BoQ通过与CNN和Vision Transformer集成，并通过广泛实验证明了其优越性能。同时，BoQ作为一种全局检索技术，在速度和效率上超过了其他两阶段检索方法。

本文介绍了一种新颖的蒸馏流程DistilVPR，用于视觉地点识别（VPR）。该流程利用多个代理的特征关系，包括教师和学生神经网络的自身代理和跨代理，并整合了不同空间曲率的各种流形，以增强特征关系的多样性。实验证明，该流程相较于其他蒸馏基线取得了最先进的性能。

该研究提出了一种新的视频场景理解任务，称为场景摘要。通过聚类和视觉地点识别，将长视频摘要为一小组空间多样的帧。该方法在监视、房地产和机器人等领域有重要应用，性能超过了普通视频摘要基线的50%。