摘要
无人机（UAV）图像与卫星图像之间的跨视图地理定位（CVGL）是无人机在全球导航卫星系统（GNSS）拒止环境下自主导航的关键技术。然而，大多数现有方法依赖于高能耗的人工神经网络（ANNs），这使得它们难以部署在资源受限的边缘计算平台上。脉冲神经网络（SNNs）为节能推理提供了一种有前景的替代方案，但它们在 CVGL 中的应用仍面临两个尚未得到充分解决的挑战。首先，现有 SNN 骨干网使用的各向同性计算与脉冲激活的方向性特征不匹配。脉冲激活倾向于沿着细长的地理结构形成定向聚合模式，因此各向同性计算可能会稀释方向信号。其次，SNN 有限的表示能力进一步增加了训练优化过程中的敏感性。然而，标准的三元组损失采用静态加权策略，对所有违反间隔约束的三元组赋予相同的权重，这不利于从困难负样本中学习。为了解决这些挑战，我们提出了一个包含两个核心贡献的框架。在特征提取层面，方向自适应卷积模块（DACM）通过依次执行水平条带卷积和垂直条带卷积来处理脉冲特征图，从而捕捉方向性脉冲簇更完整的几何结构。在训练监督层面，我们提出了双维度渐进重加权（DPR）损失，它从成对困难度和正样本对质量困难度两个方面共同表征样本难度。使用一个可学习的融合参数来自适应地平衡这两种类型的难度信息。在 University-1652 和 SUES-200 基准上的实验结果表明，当配备与 ANN 对应方法相同的表示学习头时，所提出的框架取得了具有竞争力的性能，并且在许多设置下表现更优。在能源效率方面，其估计的理论能耗比已发布的 ANN 方法在其原始配置下的能耗低
