Die Geo-Lokalisierung von Multi-Horizont-Bildern zielt darauf ab, ähnliche Bilder in der Referenzbibliothek durch das Abgleichen von Bildern aus verschiedenen Blickwinkeln zu finden und dann ihre GPS-Tags zur Lokalisierung zu verwenden. Die traditionelle Geo-Lokalisierung von Einhorizont-Bildern wird durch Faktoren wie die Qualität, den Maßstab und die Genauigkeit der Geo-Lokalisierung von Datensätzen eingeschränkt, weshalb in den letzten Jahren viele Forscher und Institute eine Reihe von Geo-Lokalisierungsdatensätzen für Multi-Horizont-Bilder veröffentlicht haben, um die Datenbasis zu verbessern. Es fehlt jedoch derzeit eine systematische Analyse von Geo-Lokalisierungsdatensätzen für Multi-Horizont-Bilder. In diesem Artikel haben wir zunächst 32 klassische Geo-Lokalisierungsdatensätze für Multi-Horizont-Bilder mit vier Dimensionen: Horizontinformationen, Konstruktionstypen, Realitätsgrad, Zeitinformationen. Anschließend haben wir eine eingehende Analyse der Geo-Lokalisierungsdatensätze für Multi-Horizont-Bilder durch Metadaten, Einfluss, Schlüsselwörter, Beschaffungsquellen und Anwendungsgebiete durchgeführt und die aktuellen Hauptalgorithmen für die Geo-Lokalisierung von Multi-Horizont-Bildern zusammengefasst. Schließlich haben wir aus vier Aspekten die zukünftigen Entwicklungsrichtungen der Geo-Lokalisierungsdatensätze für Multi-Horizont-Bilder diskutiert: multimodale Trends, große Modellierungsmethoden, Verarbeitung visueller Störungen und Modelloptimierung. Dies kann als Referenz für Forscher auf diesem Gebiet dienen.

Multi-Horizont; Bildgeolokalisierung; Datensätze; Deep Learning; Drohnen; Bildsuche; Bildanpassung; Computer Vision