論文の概要: UM3: Unsupervised Map to Map Matching

• arxiv url: http://arxiv.org/abs/2508.16874v1
• Date: Sat, 23 Aug 2025 02:14:52 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-26 18:43:45.229511
• Title: UM3: Unsupervised Map to Map Matching
• Title（参考訳）: UM3: マップマッチングのための教師なしマップ
• Authors: Chaolong Ying, Yinan Zhang, Lei Zhang, Jiazhuang Wang, Shujun Jia, Tianshu Yu,
• Abstract要約: マップ・ツー・マップマッチング(Map-to-map matching)は異種ソース間で空間データを整列させる重要なタスクである。 3つの重要な革新を通じてこれらの課題に対処する、教師なしグラフベースのフレームワークを提案する。 提案手法は,タスクマッチングにおける最先端の精度を実現し,既存の手法を大きなマージンで上回っている。
• 参考スコア（独自算出の注目度）: 9.65888302364086
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Map-to-map matching is a critical task for aligning spatial data across heterogeneous sources, yet it remains challenging due to the lack of ground truth correspondences, sparse node features, and scalability demands. In this paper, we propose an unsupervised graph-based framework that addresses these challenges through three key innovations. First, our method is an unsupervised learning approach that requires no training data, which is crucial for large-scale map data where obtaining labeled training samples is challenging. Second, we introduce pseudo coordinates that capture the relative spatial layout of nodes within each map, which enhances feature discriminability and enables scale-invariant learning. Third, we design an mechanism to adaptively balance feature and geometric similarity, as well as a geometric-consistent loss function, ensuring robustness to noisy or incomplete coordinate data. At the implementation level, to handle large-scale maps, we develop a tile-based post-processing pipeline with overlapping regions and majority voting, which enables parallel processing while preserving boundary coherence. Experiments on real-world datasets demonstrate that our method achieves state-of-the-art accuracy in matching tasks, surpassing existing methods by a large margin, particularly in high-noise and large-scale scenarios. Our framework provides a scalable and practical solution for map alignment, offering a robust and efficient alternative to traditional approaches.
• Abstract（参考訳）: マップ・ツー・マップ・マッチングは異種ソース間で空間データを整列させる上で重要なタスクであるが、基底真理対応の欠如、スパースノード機能、スケーラビリティ要求のため、依然として困難である。 本稿では,3つの重要なイノベーションを通じてこれらの課題に対処する,教師なしグラフベースのフレームワークを提案する。 まず,本手法は学習データを必要としない教師なし学習手法であり,ラベル付き学習サンプルの取得が困難な大規模地図データにとって重要である。 第2に,各地図内のノードの相対的空間的レイアウトをキャプチャする擬似座標を導入し,特徴識別性を高め,スケール不変学習を可能にする。 第3に,特徴量と幾何学的類似性を適応的にバランスさせる機構,および幾何一貫性損失関数を設計し,ノイズや不完全な座標データに対するロバスト性を確保する。 実装レベルでは、大規模マップを扱うために、重複する領域と多数決の投票が可能なタイルベースの後処理パイプラインを開発し、境界コヒーレンスを保ちながら並列処理を可能にする。 実世界のデータセットを用いた実験により,提案手法はタスクマッチングにおける最先端の精度を実現し,特に高雑音・大規模シナリオにおいて既存の手法をはるかに上回っていることが示された。 私たちのフレームワークは、スケーラブルで実用的なマップアライメントソリューションを提供し、従来のアプローチに対する堅牢で効率的な代替手段を提供します。

関連論文リスト

• TrajDiff: Diffusion Bridge Network with Semantic Alignment for Trajectory Similarity Computation [39.42796455901991]
  そこで我々はTrajDiffという新しい軌道類似性計算フレームワークを提案する。 具体的には、TrajDiffは、アダプティブフュージョンを備えたクロスアテンションとアテンションスコアマスク機構に依存している。 3つの公開データセットに対する大規模な実験は、TrajDiffが一貫して最先端のベースラインを上回っていることを示している。
  論文  参考訳（メタデータ） (2025-06-18T21:52:07Z)
• Cross-Modal Geometric Hierarchy Fusion: An Implicit-Submap Driven Framework for Resilient 3D Place Recognition [4.196626042312499]
  本稿では,密度に依存しない幾何学的推論により3次元位置認識を再定義するフレームワークを提案する。 具体的には、元のシーンポイント雲密度の干渉に免疫する弾性点に基づく暗黙の3次元表現を導入する。 これら2種類の情報を活用することで,鳥眼視と3Dセグメントの両視点から幾何学的情報を融合する記述子を得る。
  論文  参考訳（メタデータ） (2025-06-17T07:04:07Z)
• EarthMapper: Visual Autoregressive Models for Controllable Bidirectional Satellite-Map Translation [50.433911327489554]
  制御可能な衛星マップ翻訳のための新しいフレームワークであるEarthMapperを紹介する。 また,中国38都市を対象とした302,132組の衛星マップからなる大規模データセットであるCNSatMapをコントリビュートした。 CNSatMapとNew Yorkデータセットの実験は、EarthMapperの優れたパフォーマンスを実証している。
  論文  参考訳（メタデータ） (2025-04-28T02:41:12Z)
• Coupled Laplacian Eigenmaps for Locally-Aware 3D Rigid Point Cloud Matching [0.0]
  局所構造を考慮したグラフラプラシアン固有写像に基づく新しい手法を提案する。 ラプラシアン固有写像の順序と符号のあいまいさに対処するために、結合ラプラシアンと呼ばれる新しい作用素を導入する。 これらの高次元空間間の類似性は、形状に一致するような局所的な意味のあるスコアを与えることを示す。
  論文  参考訳（メタデータ） (2024-02-27T10:10:12Z)
• T-GAE: Transferable Graph Autoencoder for Network Alignment [79.89704126746204]
  T-GAEはグラフオートエンコーダフレームワークで、GNNの転送性と安定性を活用して、再トレーニングなしに効率的なネットワークアライメントを実現する。 実験の結果、T-GAEは最先端の最適化手法と最高のGNN手法を最大38.7%、50.8%で上回っていることがわかった。
  論文  参考訳（メタデータ） (2023-10-05T02:58:29Z)
• Neural Semantic Surface Maps [52.61017226479506]
  本稿では,2つの属とゼロの形状の地図を自動計算する手法を提案する。 提案手法は,手動のアノテーションや3Dトレーニングデータ要求を排除し,意味的表面-表面マップを生成する。
  論文  参考訳（メタデータ） (2023-09-09T16:21:56Z)
• Lightweight Object-level Topological Semantic Mapping and Long-term Global Localization based on Graph Matching [19.706907816202946]
  本稿では,高精度でロバストなオブジェクトレベルのマッピングとローカライズ手法を提案する。 我々は、環境のランドマークをモデル化するために、意味情報と幾何学情報の両方を持つオブジェクトレベルの特徴を使用する。 提案したマップに基づいて,新たな局所的シーングラフ記述子を構築することにより,ロバストなローカライゼーションを実現する。
  論文  参考訳（メタデータ） (2022-01-16T05:47:07Z)

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。