摘要

确定地球上任何位置的图像是一项复杂的视觉任务，这使得它在评估计算机视觉算法方面具有特别重要的意义。然而，缺乏标准的、大规模的、开放获取的数据集，其中包含可可靠定位的图像，限制了这一领域的潜力。为了解决这一问题，我们引入了OpenStreetView-5M（OSV-5M），这是一个大规模的、开放获取的数据集，包含超过510万张地理参考的街景图像，覆盖了225个国家和地区。与现有的基准数据集不同，我们严格执行训练集和测试集的分离，从而能够评估学习到的地理特征的相关性而不仅仅是记忆能力。为了展示我们数据集的实用性，我们对各种最先进的图像编码器、空间表示方法和训练策略进行了广泛的基准测试。所有相关的代码和模型均可在https://github.com/gastruc/osv5m 获取。