論文の概要: Cross-View Geo-Localization with Street-View and VHR Satellite Imagery in Decentrality Settings

• arxiv url: http://arxiv.org/abs/2412.11529v2
• Date: Fri, 03 Jan 2025 03:48:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-06 15:09:37.960119
• Title: Cross-View Geo-Localization with Street-View and VHR Satellite Imagery in Decentrality Settings
• Title（参考訳）: 分散環境におけるストリートビューとVHR衛星画像を用いたクロスビュー地球ローカライゼーション
• Authors: Panwang Xia, Lei Yu, Yi Wan, Qiong Wu, Peiqi Chen, Liheng Zhong, Yongxiang Yao, Dong Wei, Xinyi Liu, Lixiang Ru, Yingying Zhang, Jiangwei Lao, Jingdong Chen, Ming Yang, Yongjun Zhang,
• Abstract要約: Cross-View Geo-Localizationは、ストリートビュークエリ画像とジオタグ付き空中ビュー参照画像とを一致させる。 分散性はより深い調査を保証する重要な要因であり、より大規模な分散性は局所化効率を大幅に改善できるが、局所化精度の低下のコストがかかる。 DReSSは、広い地理的範囲と多様な景観を持つクロスビューなジオローカライゼーションを評価するために設計された、新しいデータセットである。
• 参考スコア（独自算出の注目度）: 39.252555758596706
• License:
• Abstract: Cross-View Geo-Localization tackles the challenge of image geo-localization in GNSS-denied environments, including disaster response scenarios, urban canyons, and dense forests, by matching street-view query images with geo-tagged aerial-view reference images. However, current research often relies on benchmarks and methods that assume center-aligned settings or account for only limited decentrality, which we define as the offset of the query image relative to the reference image center. Such assumptions fail to reflect real-world scenarios, where reference databases are typically pre-established without the possibility of ensuring perfect alignment for each query image. Moreover, decentrality is a critical factor warranting deeper investigation, as larger decentrality can substantially improve localization efficiency but comes at the cost of declines in localization accuracy. To address this limitation, we introduce DReSS (Decentrality Related Street-view and Satellite-view dataset), a novel dataset designed to evaluate cross-view geo-localization with a large geographic scope and diverse landscapes, emphasizing the decentrality issue. Meanwhile, we propose AuxGeo (Auxiliary Enhanced Geo-Localization) to further study the decentrality issue, which leverages a multi-metric optimization strategy with two novel modules: the Bird's-eye view Intermediary Module (BIM) and the Position Constraint Module (PCM). These modules improve the localization accuracy despite the decentrality problem. Extensive experiments demonstrate that AuxGeo outperforms previous methods on our proposed DReSS dataset, mitigating the issue of large decentrality, and also achieves state-of-the-art performance on existing public datasets such as CVUSA, CVACT, and VIGOR.
• Abstract（参考訳）: クロスビュー・ジオローカライゼーションは,災害対応シナリオ,都市キャニオン,密林など,地理タグ付き空中視基準画像とストリートビュー・クエリー画像とをマッチングすることにより,GNSSを付加した環境における画像ジオローカライゼーションの課題に対処する。 しかし、現在の研究は、中央に整合した設定や限定的な分散性しか考慮しないベンチマークや手法に依存しており、これは参照画像中心に対するクエリイメージのオフセットとして定義されている。 このような仮定は現実のシナリオを反映せず、参照データベースは通常、クエリイメージごとに完全なアライメントを保証することなく、事前に確立される。 さらに、より大規模な分散は、局所化効率を大幅に向上させるが、局所化精度の低下の犠牲となるため、より深い調査を保証できる重要な要因である。 この制限に対処するため、DReSS (Decentrality Related Street-view and Satellite-view dataset) を導入し、広域の地理的範囲と多様な景観を用いて、クロスビューなジオローカライゼーションを評価することを目的として、分散問題を強調した。 一方,我々はAuxGeo (Auxiliary Enhanced Geo-Localization) を提案し,この分散性問題をさらに研究し,Bird's-eye view Intermediary Module (BIM) と position Constraint Module (PCM) の2つの新しいモジュールによる多次元最適化戦略を活用する。 これらのモジュールは、分散性の問題にもかかわらず、ローカライズ精度を向上させる。 大規模な実験により、AuxGeoは提案したDReSSデータセットの従来の手法よりも優れており、大規模な分散性の問題を緩和し、CVUSA、CVACT、VIGORといった既存の公開データセットの最先端のパフォーマンスも達成している。

関連論文リスト

• CV-Cities: Advancing Cross-View Geo-Localization in Global Cities [3.074201632920997]
  クロスビュージオローカライゼーション(CVGL)は、地上画像の地理的位置を決定するために衛星画像のマッチングと検索を行う。 この課題は, 視点の相違, 局所化シナリオの複雑化, グローバルなローカライゼーションの必要性など, 重大な課題に直面している。 本稿では,基本モデルであるDINOv2と高度な機能ミキサーを統合した新しいCVGLフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-19T11:41:22Z)
• GeoCLIP: Clip-Inspired Alignment between Locations and Images for Effective Worldwide Geo-localization [61.10806364001535]
  世界規模のジオローカライゼーションは、地球上のどこでも撮影された画像の正確な位置を特定することを目的としている。 既存のアプローチは、地球を離散的な地理的細胞に分割し、問題を分類タスクに変換する。 画像と対応するGPS位置のアライメントを強制する新しいCLIPにインスパイアされた画像-GPS検索手法であるGeoCLIPを提案する。
  論文  参考訳（メタデータ） (2023-09-27T20:54:56Z)
• Cross-View Visual Geo-Localization for Outdoor Augmented Reality [11.214903134756888]
  地上画像のクロスビューマッチングによる測地位置推定の課題をジオレファレンス衛星画像データベースに解決する。 本稿では,新しいトランスフォーマーニューラルネットワークモデルを提案する。 いくつかのベンチマーク・クロスビュー・ジオローカライズ・データセットの実験により、我々のモデルが最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2023-03-28T01:58:03Z)
• Visual Cross-View Metric Localization with Dense Uncertainty Estimates [11.76638109321532]
  本研究は、屋外ロボティクスにおける視覚的クロスビューメトリックローカライゼーションに対処する。 地上レベルのカラー画像と局地的な環境を含む衛星パッチが与えられた場合、衛星パッチ内の地上カメラの位置を特定することが課題である。 我々は、より高密度な衛星記述子、ボトルネックにおける類似性マッチング、およびマルチモーダルなローカライゼーションの曖昧さを捉えるための出力としての密度空間分布を備えた新しいネットワークアーキテクチャを考案した。
  論文  参考訳（メタデータ） (2022-08-17T20:12:23Z)
• Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization Using Satellite Image [91.29546868637911]
  本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。 鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。 標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
  論文  参考訳（メタデータ） (2022-04-10T19:16:58Z)
• Accurate 3-DoF Camera Geo-Localization via Ground-to-Satellite Image Matching [102.39635336450262]
  地上で取得したクエリ画像とジオタグ付き衛星画像の大規模データベースとをマッチングすることにより、地上から衛星画像のジオローカライズの問題に対処する。 我々の新しい手法は、衛星画像のピクセルサイズの精度まで、クエリー画像のきめ細かい位置を達成できる。
  論文  参考訳（メタデータ） (2022-03-26T20:10:38Z)
• City-wide Street-to-Satellite Image Geolocalization of a Mobile Ground Agent [38.140216125792755]
  クロスビュー画像のジオローカライゼーションは、GPSを必要とせずに、局地画像とオーバーヘッド衛星画像とをマッチングすることにより、エージェントのグローバルな位置を推定する。 我々のアプローチはワイド・エリア・ジオローカライゼーション (WAG) と呼ばれ、ニューラルネットワークと粒子フィルタを組み合わせることで、GPSを付加した環境で移動するエージェントのグローバルな位置推定を実現している。 WAGは、20mの順序で位置推定精度を達成し、ベースライントレーニングと重み付けのアプローチと比較して98%の削減を実現した。
  論文  参考訳（メタデータ） (2022-03-10T19:54:12Z)
• Each Part Matters: Local Patterns Facilitate Cross-view Geo-localization [54.00111565818903]
  クロスビューなジオローカライゼーションは、異なるプラットフォームから同じ地理的ターゲットの画像を見つけることである。 既存の手法は通常、画像センター内の地理的ターゲットの微細な特徴をマイニングすることに集中している。 我々は、文脈情報を活用するために、ローカルパターンネットワーク(LPN)と呼ばれるシンプルで効果的なディープニューラルネットワークを導入する。
  論文  参考訳（メタデータ） (2020-08-26T16:06:11Z)
• Zero-Shot Multi-View Indoor Localization via Graph Location Networks [66.05980368549928]
  屋内ローカライゼーションは、位置ベースアプリケーションにおける基本的な問題である。 本稿では,インフラストラクチャフリーで多視点画像に基づく屋内ローカライゼーションを実現するために,新しいニューラルネットワークアーキテクチャであるGraph Location Networks(GLN)を提案する。 GLNは、メッセージパッシングネットワークを通じて画像から抽出されたロバストな位置表現に基づいて位置予測を行う。 新たにゼロショット屋内ローカライズ設定を導入し,提案したGLNを専用ゼロショットバージョンに拡張することで,その課題に対処する。
  論文  参考訳（メタデータ） (2020-08-06T07:36:55Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。