按年被提到
20162016 · 2 次2026
视觉、语音与图像生成›视觉语言与自监督表征·arXiv:1602.05314 · cs.CV

PlaNet - Photo Geolocation with Convolutional Neural Networks

PlaNet:用卷积神经网络做照片地理定位
Tobias Weyand, Ilya Kostrikov, James Philbin · 2016

把全球切成地理格子,训练深度网络从像素判断拍摄地

开始阅读 ↗PDFalphaXiv 讨论
被提及 · 5 人首次 2016-03-16 · 最近 2019-11-21
5不同的人
5活跃月份
5讨论串
406被引(OpenAlex)

论文探讨能否仅凭像素判断照片的拍摄位置。作者不用常见的图像检索,而是把地球表面划分为数千个多尺度地理单元,当作分类问题,用数百万张带地理标记的图像训练深度网络。得到的 PlaNet 模型能综合利用多种可见线索,表现优于此前方法,在某些情况下达到超越人类的准确率;与 LSTM 结合后可处理相册,利用时间连贯性对不确定的照片定位,相对单图模型提升 50%。

HN 为什么提它

HN 上的人引用它说明用大规模数据训练的 CNN 能从照片本身推断拍摄地点,所以仅靠打码的照片并不足以保证匿名。

方法难度 3 / 5约 30 分钟有时效性
读之前最好知道
1卷积神经网络(CNN)
2图像分类与大规模训练数据
3LSTM 与序列建模
4地理单元划分(geocell)

学习路径

读这篇之前,按顺序读书架上的 3 篇 · 参考文献来自 OpenAlex,顺序和要点由 Claude Code 排出

这条路径帮你建立卷积网络的结构与可视化基础,以及 Inception 与批归一化,之后读 PlaNet 如何把地理定位变成分类问题。

  1. 1
    Visualizing and Understanding Convolutional Networks卷积网络的可视化与理解 · 2013

    理解卷积网络各层学到什么,才能理解像素里有哪些线索可用于定位。

    读各层特征的可视化与分析;不必深究反卷积实现。

  2. 2
    Going Deeper with Convolutions用卷积走得更深 · 2014

    PlaNet 使用 Inception 类的卷积网络作为骨干。

    读Inception 模块的多尺度并行与降维。

  3. 3
    Batch Normalization: Accelerating Deep Network Training by Reducing Internal Covariate Shift批归一化:通过减少内部协变量偏移加速深度网络训练 · 2015

    深层网络训练的标准技巧,PlaNet 的网络也依赖它。

    读批归一化的位置与作用;跳过理论推导细节。

  4. 4
    PlaNet - Photo Geolocation with Convolutional Neural NetworksPlaNet:用卷积神经网络做照片地理定位 · 2016 · 就是这篇

    目标论文:把全球切成地理格子,把定位当分类来训练。

    读地理单元划分方式、训练数据与和人类玩家的对比。

HN 书评

推荐在前,同类按时间 · 每篇最多保留 20 条,统计用全部提及
引用epistasis · 2016-11

“See also this usage in the context of ML:”

举出一篇用多人共识提高准确率的 ML 论文作例子
Speech-to-Text-WaveNet: End-to-end sentence level English speech recognition原评论 ↗
引用aub3bhat · 2017-05

“If you want a concrete example, see the Google PlaNet paper [1]”

拿 Google PlaNet 作具体例子
Don't use deep learning when your data isn't that big原评论 ↗
引用jefftk · 2019-11

“Those pictures are not sufficiently anonymous; PlaNet - Photo Geolocation with Convolutional Neural Networks or just neighbors could easily see where she is.”

指出照片不够匿名,PlaNet 这类模型就能推断拍摄地
Her Amazon Purchases Are Real, the Reviews Are Fake原评论 ↗
被提交为 story · 2 次