这里写目录标题概述研究内容Abstract第一段（介绍本文算法大致结构与优点）1.Introduction介绍第一段（介绍视觉位置识别的重要性）第二段（VPR的两种常见方法，本文方法结合了两种方法）第三段（本文贡献）第四段（为证明本文方法优越性，进行的测试以及比较）2.RelatedWork相关工作第一段（介绍早期与深度学习的全局图像描述符）第二段（介绍局部关键点描述符）第三段（局部描述符可以进一步改进）第四段（列举不在VPR背景下的局部区域描述符）第五段（列举在VPR背景下的局部区域描述符）第六段（现有的多尺度方法存在缺陷，本文方法更好）3.Methodology方法第一段（介绍本文方法）3

题目：NetVLAD:CNNArchitectureforWeaklySupervisedPlaceRecognition：、团队：PSLResearchUniversity/TokyoInstituteofTechnology解决的问题：我们解决了大规模视觉位置识别的问题，其任务是快速准确地识别给定查询照片的位置创新点：这篇文章主要有3个创新点：1.为场景识别任务构造出了一个可以直接端到端训练的CNN模型结构，NetVLAD就是该模型的一个layer；2.构造一个弱监督排序损失(weaklysupervisedrankingloss)来指导模型的参数更新；3.效果很好。在两个具有挑战性的数据

题目：Patch-NetVLAD:Multi-ScaleFusionofLocally-GlobalDescriptorsforPlaceRecognition团队：澳大利亚昆士兰理工大学，电气工程与机器人学院和QUT机器人中心解决的问题：克服视点和外观变化的双重问题创新点：与现有局部关键点特征的固定空间邻域制度不同，我们的方法能够聚集和匹配在特征空间网格上定义的深度学习局部特征。进一步通过完整的特征空间引入一种具有互补尺度（块大小）的多尺度特征融合。（1）提出一种基于多尺度Patch的NetVLAD算法，相比于原始的NetVLADVPR召回率有了大幅度提升；（2）提出一种加速多尺度Patch

题目：MultiRes-NetVLAD:AugmentingPlaceRecognitionTrainingWithLow-ResolutionImagery团队：QueenslandUniversityofTechnology解决的问题：1.使用低分辨率图像金字塔编码来增强NetVLAD表示学习，从而获得更丰富的位置表示。2.避免了在最近的多尺度方法中对多个patch进行拼接或求和的需要。创新点：1.提出了一种新的多分辨率特征残差聚合方法2.图像编码器可适应不同的特征聚合策略，适用于视点一致和视点变化数据集，从而实现最先进的召回性能新的概念：1.对多个patch（图像块）进行拼接或求和：2.