論文の概要: UASTHN: Uncertainty-Aware Deep Homography Estimation for UAV Satellite-Thermal Geo-localization
- arxiv url: http://arxiv.org/abs/2502.01035v2
- Date: Mon, 24 Feb 2025 20:40:55 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-02-26 15:17:57.679505
- Title: UASTHN: Uncertainty-Aware Deep Homography Estimation for UAV Satellite-Thermal Geo-localization
- Title（参考訳）: UAV衛星熱測地のための不確実性を考慮した深部ホログラフィー推定
- Authors: Jiuhong Xiao, Giuseppe Loianno,
- Abstract要約: 本稿では,Deep Homography Estimation (DHE)タスクにおける不確実性推定(UE)の新しいアプローチであるUASTHNを提案する。
データ不確実性を効果的に測定するために,クロップベースのテスト時間拡張(CropTTA)戦略を導入する。
我々の研究は、局所化と不確実性推定の幅広い交点に関する深い洞察を提供する。
- 参考スコア（独自算出の注目度）: 8.458431678423963
- License:
- Abstract: Geo-localization is an essential component of Unmanned Aerial Vehicle (UAV) navigation systems to ensure precise absolute self-localization in outdoor environments. To address the challenges of GPS signal interruptions or low illumination, Thermal Geo-localization (TG) employs aerial thermal imagery to align with reference satellite maps to accurately determine the UAV's location. However, existing TG methods lack uncertainty measurement in their outputs, compromising system robustness in the presence of textureless or corrupted thermal images, self-similar or outdated satellite maps, geometric noises, or thermal images exceeding satellite maps. To overcome these limitations, this paper presents UASTHN, a novel approach for Uncertainty Estimation (UE) in Deep Homography Estimation (DHE) tasks for TG applications. Specifically, we introduce a novel Crop-based Test-Time Augmentation (CropTTA) strategy, which leverages the homography consensus of cropped image views to effectively measure data uncertainty. This approach is complemented by Deep Ensembles (DE) employed for model uncertainty, offering comparable performance with improved efficiency and seamless integration with any DHE model. Extensive experiments across multiple DHE models demonstrate the effectiveness and efficiency of CropTTA in TG applications. Analysis of detected failure cases underscores the improved reliability of CropTTA under challenging conditions. Finally, we demonstrate the capability of combining CropTTA and DE for a comprehensive assessment of both data and model uncertainty. Our research provides profound insights into the broader intersection of localization and uncertainty estimation. The code and models are publicly available.
- Abstract（参考訳）: ジオローカライゼーション(Geo-localization)は、無人航空機(UAV)ナビゲーションシステムにおいて、屋外環境における絶対的な自己ローカライゼーションを保証する重要な要素である。
GPS信号遮断や低照度化の課題に対処するため、サーマルジオローカライゼーション(TG)は、空中熱画像を用いて、基準衛星地図と整合してUAVの位置を正確に判定する。
しかし、既存のTG法は出力の不確実性の測定に欠けており、テクスチャレスまたは劣化した熱画像、自己相似または時代遅れの衛星地図、幾何学的ノイズ、または衛星地図を超える熱画像の存在において、システムの堅牢性を損なう。
これらの制約を克服するために,本論文では,TGアプリケーションのための深部ホログラフィー推定(Deep Homography Estimation, DHE)タスクにおける不確実性推定(UE)の新しいアプローチであるUASTHNを提案する。
具体的には、収穫画像ビューのホモグラフィ的コンセンサスを利用してデータ不確実性を効果的に測定する、新しいクロップベースのテスト時間拡張(CropTTA)戦略を導入する。
このアプローチは、モデル不確実性に使用されるDeep Ensembles (DE) によって補完され、DHEモデルとのシームレスな統合と効率を改善した同等のパフォーマンスを提供する。
複数のDHEモデルにわたる大規模な実験は、TGアプリケーションにおけるCropTTAの有効性と効率を実証している。
検出された故障事例の分析は、難解な条件下でのCropTTAの信頼性の向上を裏付ける。
最後に、データとモデルの不確実性の両方を総合的に評価するために、CropTTAとDEを組み合わせる能力を実証する。
我々の研究は、局所化と不確実性推定の幅広い交点に関する深い洞察を提供する。
コードとモデルは公開されている。
関連論文リスト
- TanDepth: Leveraging Global DEMs for Metric Monocular Depth Estimation in UAVs [5.6168844664788855]
本研究は,推定時間における相対的推定値から計量深度値を求めるための,実践的なオンラインスケール回復手法であるTanDepthを提案する。
本手法は無人航空機(UAV)の用途に応用され,GDEM(Global Digital Elevation Models)のスパース計測をカメラビューに投影することで活用する。
推定深度マップから接地点を選択して、投影された基準点と相関するクラスシミュレーションフィルタへの適応を示す。
論文 参考訳（メタデータ） (2024-09-08T15:54:43Z) - From Data to Insights: A Covariate Analysis of the IARPA BRIAR Dataset for Multimodal Biometric Recognition Algorithms at Altitude and Range [13.42292577384284]
本稿では,IARPA BRIARデータセットにおける全身バイオメトリックス性能の融合に着目し,UAVプラットフォーム,高度位置,最大1000mに焦点をあてる。
データセットには、屋内画像や制御された歩行記録と比較して、屋外ビデオが含まれている。
論文 参考訳（メタデータ） (2024-09-03T00:58:50Z) - STHN: Deep Homography Estimation for UAV Thermal Geo-localization with Satellite Imagery [14.651828898850892]
粗大から細い深部ホログラフィー推定手法を用いたUAV熱ジオローカライズ手法を提案する。
この方法は、UAVの最後の位置から半径512メートル以内で、信頼性の高い熱的位置決めを可能にする。
論文 参考訳（メタデータ） (2024-05-30T20:41:12Z) - Innovative Horizons in Aerial Imagery: LSKNet Meets DiffusionDet for
Advanced Object Detection [55.2480439325792]
本稿では,LSKNetのバックボーンをDiffusionDetヘッドに統合したオブジェクト検出モデルの詳細な評価を行う。
提案手法は平均精度(MAP)を約45.7%向上させる。
この進歩は、提案された修正の有効性を強調し、航空画像解析の新しいベンチマークを設定する。
論文 参考訳（メタデータ） (2023-11-21T19:49:13Z) - SatDM: Synthesizing Realistic Satellite Image with Semantic Layout
Conditioning using Diffusion Models [0.0]
Denoising Diffusion Probabilistic Models (DDPM) は意味的レイアウトから現実的なイメージを合成する上で大きな可能性を証明している。
本稿では,セマンティックマップを用いて高品質で多様な衛星画像を生成する条件付きDDPMモデルを提案する。
提案モデルの有効性は,本研究の文脈内で導入した詳細なラベル付きデータセットを用いて検証する。
論文 参考訳（メタデータ） (2023-09-28T19:39:13Z) - Unsupervised Landmark Discovery Using Consistency Guided Bottleneck [63.624186864522315]
画像再構成に基づくパイプラインに一貫性のあるボトルネックを導入する。
本稿では,画像間のランドマーク対応を形成することによって,擬似スーパービジョンを得る手法を提案する。
この一貫性は、アダプティブ・ヒートマップの生成において発見されたランドマークの不確かさを変調する。
論文 参考訳（メタデータ） (2023-09-19T10:57:53Z) - Long-range UAV Thermal Geo-localization with Satellite Imagery [3.427912625787135]
本稿では,衛星RGB画像を用いた新しい熱的ジオローカライズフレームワークを提案する。
これには、熱画像と衛星画像のペア化の限界に対処する複数のドメイン適応方法が含まれる。
我々の知る限り、この研究は、長距離飛行における衛星RGB画像を用いた熱的ジオローカライズ法を初めて提案したものである。
論文 参考訳（メタデータ） (2023-06-05T16:05:57Z) - 6D Camera Relocalization in Visually Ambiguous Extreme Environments [79.68352435957266]
本研究では,深海や地球外地形などの極端な環境下で得られた画像の列から,カメラのポーズを確実に推定する手法を提案する。
本手法は,室内ベンチマーク (7-Scenes データセット) における最先端手法と同等の性能を20%のトレーニングデータで達成する。
論文 参考訳（メタデータ） (2022-07-13T16:40:02Z) - Robust Depth Completion with Uncertainty-Driven Loss Functions [60.9237639890582]
本研究では,不確実性による損失関数を導入し,深度補修の堅牢性を改善し,深度補修の不確実性に対処する。
提案手法は,KITTI深度評価ベンチマークでテストされ,MAE, IMAE, IRMSEの計測値を用いて最先端のロバスト性性能を達成した。
論文 参考訳（メタデータ） (2021-12-15T05:22:34Z) - Meta-UDA: Unsupervised Domain Adaptive Thermal Object Detection using
Meta-Learning [64.92447072894055]
赤外線(IR)カメラは、照明条件や照明条件が悪ければ頑丈である。
既存のUDA手法を改善するためのアルゴリズムメタ学習フレームワークを提案する。
KAISTおよびDSIACデータセットのための最先端熱検出器を作成した。
論文 参考訳（メタデータ） (2021-10-07T02:28:18Z) - Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。
これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。
我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文 参考訳（メタデータ） (2020-12-10T23:28:36Z)
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。