論文の概要: PAUL: Uncertainty-Guided Partition and Augmentation for Robust Cross-View Geo-Localization under Noisy Correspondence

• arxiv url: http://arxiv.org/abs/2508.20066v1
• Date: Wed, 27 Aug 2025 17:21:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-08-28 19:07:41.720594
• Title: PAUL: Uncertainty-Guided Partition and Augmentation for Robust Cross-View Geo-Localization under Noisy Correspondence
• Title（参考訳）: PAUL:ノイズ対応下でのロバスト・クロスビュー・ジオローカライゼーションのための不確かさ誘導分割と拡張
• Authors: Zheng Li, Yanming Guo, WenZhe Liu, Xueyi Zhang, Zhaoyun Ding, Long Xu, Mingrui Lao,
• Abstract要約: クロスビュージオローカライゼーションは、UAVナビゲーション、イベント検出、および航空測量にとって重要な課題である。 既存のほとんどのアプローチは、ペア画像の類似性を最大化するために、マルチモーダルデータをジョイントな特徴空間に埋め込む。 これらの手法は通常、トレーニング中にイメージペアの完全なアライメントを前提とします。
• 参考スコア（独自算出の注目度）: 16.322806051944227
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-view geo-localization is a critical task for UAV navigation, event detection, and aerial surveying, as it enables matching between drone-captured and satellite imagery. Most existing approaches embed multi-modal data into a joint feature space to maximize the similarity of paired images. However, these methods typically assume perfect alignment of image pairs during training, which rarely holds true in real-world scenarios. In practice, factors such as urban canyon effects, electromagnetic interference, and adverse weather frequently induce GPS drift, resulting in systematic alignment shifts where only partial correspondences exist between pairs. Despite its prevalence, this source of noisy correspondence has received limited attention in current research. In this paper, we formally introduce and address the Noisy Correspondence on Cross-View Geo-Localization (NC-CVGL) problem, aiming to bridge the gap between idealized benchmarks and practical applications. To this end, we propose PAUL (Partition and Augmentation by Uncertainty Learning), a novel framework that partitions and augments training data based on estimated data uncertainty through uncertainty-aware co-augmentation and evidential co-training. Specifically, PAUL selectively augments regions with high correspondence confidence and utilizes uncertainty estimation to refine feature learning, effectively suppressing noise from misaligned pairs. Distinct from traditional filtering or label correction, PAUL leverages both data uncertainty and loss discrepancy for targeted partitioning and augmentation, thus providing robust supervision for noisy samples. Comprehensive experiments validate the effectiveness of individual components in PAUL,which consistently achieves superior performance over other competitive noisy-correspondence-driven methods in various noise ratios.
• Abstract（参考訳）: クロスビューのジオローカライゼーションは、ドローンが捉えた画像と衛星画像のマッチングを可能にするため、UAVナビゲーション、イベント検出、航空測量にとって重要なタスクである。 既存のほとんどのアプローチは、ペア画像の類似性を最大化するために、マルチモーダルデータをジョイントな特徴空間に埋め込む。 しかし、これらの手法は通常、訓練中にイメージペアの完全なアライメントを前提とします。 実際には、都市キャニオン効果、電磁波干渉、悪天候などの要因が頻繁にGPSドリフトを誘発し、ペア間の部分的な対応のみが存在するような体系的なアライメントシフトをもたらす。 その頻度にもかかわらず、このノイズ対応の源泉は、現在の研究で限定的な注目を集めている。 本稿では,Cross-View Geo-Localization (NC-CVGL) 問題に対するノイズ対応を公式に導入し,その課題について述べる。 この目的のために,不確実性認識と顕在的協調学習を通じて,推定データの不確実性に基づいてトレーニングデータを分割・拡張する新しいフレームワークであるPAUL(Partition and Augmentation by Uncertainty Learning)を提案する。 具体的には、PAULは、高信頼度領域を選択的に拡張し、不確実性推定を利用して特徴学習を洗練し、不整合ペアからのノイズを効果的に抑制する。 従来のフィルタリングやラベルの補正とは違い、PAULはデータの不確実性と損失の差を目的のパーティショニングや拡張に活用することで、ノイズの多いサンプルの堅牢な監視を可能にしている。 総合的な実験により、PAULの個々の成分の有効性が検証され、様々な雑音比における他の競合雑音対応方式よりも一貫して優れた性能が得られる。

関連論文リスト

• Disentangled Noisy Correspondence Learning [56.06801962154915]
  クロスモーダル検索は、モダリティ間の潜在対応を理解する上で重要である。 DisNCLはノイズ対応学習における特徴分散のための新しい情報理論フレームワークである。
  論文  参考訳（メタデータ） (2024-08-10T09:49:55Z)
• Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
  擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。 我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。 SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
  論文  参考訳（メタデータ） (2024-06-10T21:44:52Z)
• Collaborative Edge AI Inference over Cloud-RAN [37.3710464868215]
  クラウド無線アクセスネットワーク(Cloud-RAN)ベースの協調エッジAI推論アーキテクチャを提案する。 具体的には、地理的に分散したデバイスが、リアルタイムのノイズ破壊センサデータサンプルをキャプチャし、ノイズの多い局所特徴ベクトルを抽出する。 我々は,各RRHが同一リソースブロック上の全デバイスから局所的特徴ベクトルを同時に受信することを可能にする。 これらの集約された特徴ベクトルは量子化され、さらに集約および下流推論タスクのために中央プロセッサに送信される。
  論文  参考訳（メタデータ） (2024-04-09T04:26:16Z)
• Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
  クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。 我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
  論文  参考訳（メタデータ） (2023-12-27T09:03:43Z)
• SpatialRank: Urban Event Ranking with NDCG Optimization on Spatiotemporal Data [55.609946936979036]
  本研究ではSpatialRankという新しい空間イベントランキング手法を提案する。 本研究では,SpatialRankが犯罪や交通事故の最も危険性の高い場所を効果的に特定できることを示す。
  論文  参考訳（メタデータ） (2023-09-30T06:20:21Z)
• Implicit neural representation for change detection [15.741202788959075]
  点雲の変化を検出する最も一般的なアプローチは、教師付き手法に基づいている。 Inlicit Neural Representation (INR) for continuous shape reconstruction と Gaussian Mixture Model for categorising change の2つのコンポーネントからなる教師なしアプローチを提案する。 本手法を都市スプロールのためのシミュレーションLiDAR点雲からなるベンチマークデータセットに適用する。
  論文  参考訳（メタデータ） (2023-07-28T09:26:00Z)
• Far Away in the Deep Space: Dense Nearest-Neighbor-Based Out-of-Distribution Detection [33.78080060234557]
  Nearest-Neighborsアプローチは、オブジェクト中心のデータドメインでうまく機能することが示されている。 近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近近
  論文  参考訳（メタデータ） (2022-11-12T13:32:19Z)
• Ordinal UNLOC: Target Localization with Noisy and Incomplete Distance Measures [1.6836876499886007]
  ターゲットローカライズにおける大きな課題は、信頼性の高い距離測定の欠如から生じる。 信頼性の高い距離測定を必要とせず,目標の位置を推定する新しい計算フレームワークを開発した。
  論文  参考訳（メタデータ） (2021-05-06T13:54:31Z)
• Bridging the Gap Between Clean Data Training and Real-World Inference for Spoken Language Understanding [76.89426311082927]
  既存のモデルはクリーンデータに基づいてトレーニングされ、クリーンデータトレーニングと現実世界の推論の間にtextitgapが発生する。 本稿では,良質なサンプルと低品質のサンプルの両方が類似ベクトル空間に埋め込まれた領域適応法を提案する。 広く使用されているデータセット、スニップス、および大規模な社内データセット(1000万のトレーニング例)に関する実験では、この方法は実世界の(騒々しい)コーパスのベースラインモデルを上回るだけでなく、堅牢性、すなわち、騒々しい環境下で高品質の結果を生み出すことを実証しています。
  論文  参考訳（メタデータ） (2021-04-13T17:54:33Z)

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。