مکان‌یابی جغرافیایی بدون نظارت مبتنی بر خوشه‌بندی گرافی عمیق و تطبیق دامنه

نیاز روزافزون به مکان‌یابی خودکار پهپادها در کاربرد ناوبری مستقل به دلیل خطاهای انتقال سیگنال در محیط‌های روستایی و شهری به ویژه در کاربردهای نظامی، باعث محبوبیت استفاده از حسگرهای بصری شده است. بازیابی جفت تصاویر ماهواره و پهپاد، مکان‌یابی خودکار پهپادها را بدون اتکا به انتقال سیگنال امکان‌پذیر می‌کند. این روش‌ها عمدتا به یادگیری با نظارت به کمک نمونه‌های برچسب‌گذاری‌شده وابسته‌اند که حاشیه‌نویسی پایگاه داده‌های بزرگ برای کاربردهای واقعی، زمان‌بر و پرهزینه است. چالش مکان‌یابی جغرافیایی بدون نظارت در شکاف دامنه بین تصاویر پهپاد و ماهواره و نادیده گرفتن جزئیات متمایز‌کننده نهفته است که منجر به اختصاص شبه برچسب‌های نویزی می‌شود. در این مقاله، برای غلبه بر چالش‌‌های ذکر شده، چارچوب یادگیری بدون نظارت با تکنیک خوشه‌بندی گرافی عمیق را معرفی می‌کنیم که به طور مکرر، با استخراج نقشه ویژگی‌های سراسری و محلی و مدل‌سازی روابط آن‌ها به کمک شبکه عصبی گراف، تطابق بین تصاویر ماهواره و پهپاد را تخمین می‌زند و با تخصیص شبه برچسب‌های با اطمینان بالا به نمونه‌ها، مدل به صورت خود نظارت آموزش می‌بیند. آزمایش‌های گسترده روش پیشنهادی بر روی مجموعه‌ داده university-1652 برتری روش ما را نسبت به کارهای فعلی نشان می‌دهد و به طور قابل‌توجهی مکان‌یابی خودکار پهپادها را به سمت استقرار در دنیای واقعی سوق می‌دهد.