待补充
layumi/University1652-Baseline
飞控/无人机
3/5
🧩 软硬件结合
已发布
项目简介
ACM Multimedia2020 University-1652: A Multi-view Multi-source Benchmark for Drone-based Geo-localization :helicopter: an
University1652-Baseline 是一个面向无人机地理定位研究的开源基准项目，由 ACM Multimedia 2020 论文《University-1652: A Multi-view Multi-source Benchmark for Drone-based Geo-localization》官方发布。该项目核心贡献在于提供了一个多视角、多源的数据集与基线代码，专门用于解决无人机在无 GPS 信号或信号受限环境下的目标定位与导航问题。
标签
项目特点
多视角多源数据集：包含无人机视角、卫星视角和地面视角的图片，覆盖全球 1652 个地标建筑。
官方基线代码：提供了完整的训练、测试和评估脚本，方便研究者直接上手复现论文结果。
支持多种定位任务：包括无人机-to-卫星、无人机-to-地面以及跨视角检索等任务。
预训练模型：提供了在 University-1652 数据集上训练好的模型权重，可以直接用于推理或微调。
评估指标标准化：内置了 Recall@K、平均精度等常用评估指标，便于公平对比不同方法。
技术规格
项目资源
搜索资源
物料清单 (BOM)
| 物料名称 | 数量 | 参考价格 | 备注 |
|---|---|---|---|
| University-1652 训练集 | 1 份 | — | 包含无人机、卫星、地面三视角图片 |
| University-1652 测试集 | 1 份 | — | 用于评估模型性能 |
| 训练脚本 | 1 个 | — | train.py |
| 测试脚本 | 1 个 | — | test.py |
| 特征提取脚本 | 1 个 | — | extract_feature.py |
| 预训练权重 | 1 个 | — | ResNet-50 在 University-1652 上训练 |
| 参数配置文件 | 1 个 | — | config.py |
能力画像
**记忆与知识检索**：3/5 — 项目本身不涉及记忆检索，但数据集可用于训练检索模型。
**动手与操作**：2/5 — 主要依赖代码运行和数据处理，硬件操作需求低。
**编程与算法**：4/5 — 需要理解深度学习训练流程、损失函数和评估逻辑。
**设计与建模**：3/5 — 可基于基线模型修改网络结构或损失函数。
**实验与调试**：4/5 — 需要调整超参数、对比不同设置下的性能。
**协作与分享**：2/5 — 项目为单人可完成，但开源社区可贡献改进。
**学习与研究**：5/5 — 非常适合学习跨视角地理定位、多源融合等研究方向。
**系统集成**：2/5 — 可集成到无人机定位系统中，但需额外工程化工作。
项目图库
所需技能
Python 编程基础
PyTorch 深度学习框架使用经验
图像处理基础知识
熟悉深度学习训练流程（数据加载、模型训练、评估）
了解检索任务中的评估指标（Recall、AP）
基本的 Linux 命令行操作（用于数据下载和环境配置）
适用场景
无人机在 GPS 拒止环境下的视觉定位研究
跨视角图像检索（无人机视角 ↔ 卫星视角 ↔ 地面视角）
地理空间智能与遥感图像分析
学术论文实验复现与基线对比
高校或研究所的计算机视觉课程项目
智能巡检、应急救援等需要无人机自主导航的应用开发