Um das Problem der geringen Robustheit der visuellen Orts­erkennung bei Veränderungen der Umgebung wie Wetter, Jahreszeiten und Beleuchtung zu lösen, wurde ein multidimensionaler Aufmerksamkeitsmechanismus vorgeschlagen, der die Umweltrobustheit der Merkmalsbeschreiber der visuellen Orts­erkennung verbessert – der parallele vollumfängliche dynamische Aufmerksamkeitsmechanismus (POD-Attention). Um die dynamisch-feinfühlige Erkundung der Faltungskerne in allen Dimensionen zu realisieren und die Fähigkeit des Merkmalsextraktionsnetzwerks zur Extraktion und zum Lernen unveränderlicher Merkmale wie Gebäude zu stärken, wird ein vollumfänglicher dynamischer Faltungskernblock verwendet, der komplementäre Aufmerksamkeit auf alle Dimensionen des Faltungskerns (Eingangs- und Ausgangskanäle, Faltungsraum und Anzahl der Kerne) hinzufügt. Die parallele Verschmelzung von 1×1 Faltung, dem Skip Squeeze-and-Excitation (SSE)-Modul und dem vollumfänglichen dynamischen Faltungskernblock erhöht nicht nur effektiv die Geschwindigkeit der Merkmalsextraktion, sondern erweitert auch das rezeptive Feld des visuellen Orts­erkennungsnetzwerks und verbessert weiter die Erkennungsgenauigkeit von visuellen Orten. Experimente auf öffentlichen Datensätzen zeigen, dass die auf VGG16 und Patch-NetVLAD Feature-Aggregation basierende visuelle Orts­erkennungsmethode, verbessert durch den POD-Aufmerksamkeitsmechanismus, die Recall@1-Metrik auf den Datensätzen Nordland und Mapillary Street-Level Sequences um 9,7 % bzw. 1,8 % gesteigert hat, was die Verbesserung der Netzwerkleistung durch den POD-Aufmerksamkeitsmechanismus sowie die Effektivität der auf diesem Mechanismus basierenden visuellen Orts­erkennungsmethode bestätigt.

visuelle Orts­erkennung;Umweltrobustheit;Deep Learning;paralleler vollumfänglicher dynamischer Aufmerksamkeitsmechanismus;parallele Strategie