論文の概要: Enhancing Contrastive Learning for Geolocalization by Discovering Hard Negatives on Semivariograms

• arxiv url: http://arxiv.org/abs/2509.21573v1
• Date: Thu, 25 Sep 2025 20:53:06 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-29 20:57:54.006775
• Title: Enhancing Contrastive Learning for Geolocalization by Discovering Hard Negatives on Semivariograms
• Title（参考訳）: 半多様体上の硬質負点の発見によるジオローカライゼーションのためのコントラスト学習の促進
• Authors: Boyi Chen, Zhangyu Wang, Fabian Deuser, Johann Maximilian Zollner, Martin Werner,
• Abstract要約: そこで本研究では,半可変図を組み込んだ空間正規化コントラスト学習戦略を提案する。 空間的先行条件を明示的にモデル化することで、画像に基づく地理的局所化性能が向上することを示す。
• 参考スコア（独自算出の注目度）: 7.1220661738937325
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Accurate and robust image-based geo-localization at a global scale is challenging due to diverse environments, visually ambiguous scenes, and the lack of distinctive landmarks in many regions. While contrastive learning methods show promising performance by aligning features between street-view images and corresponding locations, they neglect the underlying spatial dependency in the geographic space. As a result, they fail to address the issue of false negatives -- image pairs that are both visually and geographically similar but labeled as negatives, and struggle to effectively distinguish hard negatives, which are visually similar but geographically distant. To address this issue, we propose a novel spatially regularized contrastive learning strategy that integrates a semivariogram, which is a geostatistical tool for modeling how spatial correlation changes with distance. We fit the semivariogram by relating the distance of images in feature space to their geographical distance, capturing the expected visual content in a spatial correlation. With the fitted semivariogram, we define the expected visual dissimilarity at a given spatial distance as reference to identify hard negatives and false negatives. We integrate this strategy into GeoCLIP and evaluate it on the OSV5M dataset, demonstrating that explicitly modeling spatial priors improves image-based geo-localization performance, particularly at finer granularity.
• Abstract（参考訳）: 様々な環境、視覚的にあいまいなシーン、多くの地域で目立ったランドマークが欠如しているため、地球規模での高精度でロバストな画像ベースの地理的ローカライゼーションは困難である。 対照的な学習手法は、街路ビュー画像とそれに対応する位置の特徴を整列することで有望な性能を示すが、地理的空間における空間依存性を無視する。 その結果、視覚的にも地理的に類似しているが、負とラベル付けされているイメージペアは偽陰性の問題に対処できず、視覚的に類似しているが地理的に離れているハードネガティブを効果的に区別するのは難しい。 そこで本研究では,空間的相関が距離によってどのように変化するかをモデル化するジオ統計ツールであるセミヴァリグラムを統合した空間正規化コントラスト学習手法を提案する。 本研究では,特徴空間内の画像の距離を地理的距離に関連付け,空間的相関で期待される視覚的内容を取得することにより,半変量表示を適合させる。 装着した半可変図を用いて、所定の空間距離で期待される視覚的相似性を、硬陰性および偽陰性を特定するための基準として定義する。 我々は、この戦略をGeoCLIPに統合し、OSV5Mデータセット上で評価し、空間的先行を明示的にモデル化することで、特に粒度の細かい画像ベースでのジオローカライゼーション性能が向上することを示した。

関連論文リスト

• GeoDistill: Geometry-Guided Self-Distillation for Weakly Supervised Cross-View Localization [70.65458151146767]
  クロスビューのローカライゼーションは、自律ナビゲーションや拡張現実のような大規模な屋外アプリケーションにとって不可欠である。 既存の手法は、しばしば完全に教師付き学習に依存している。 本研究では,FoV(Field-of-View)ベースのマスキングを用いた教師学習フレームワークGeoDistillを提案する。
  論文  参考訳（メタデータ） (2025-07-15T03:00:15Z)
• ConGeo: Robust Cross-view Geo-localization across Ground View Variations [34.192775134189965]
  クロスビューなジオローカライゼーションは,地上レベルのクエリイメージを対応するジオレファレンスな空中ビューとマッチングすることで,ローカライズすることを目的としている。 既存の学習パイプラインはオリエンテーションに特化しているか、FoVに特化している。 本研究では,地形定位のためのコントラスト法であるConGeoを提案する。
  論文  参考訳（メタデータ） (2024-03-20T20:37:13Z)
• 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)
• Sample4Geo: Hard Negative Sampling For Cross-View Geo-Localisation [2.3020018305241337]
  対称なInfoNCE損失を伴うコントラスト学習に基づく,シンプルだが効果的なアーキテクチャを提案する。 私たちのフレームワークは、アグリゲーションモジュールの使用を不要にする、狭いトレーニングパイプラインで構成されています。 本研究は,CVUSA,CVACT,University-1652,VIGORなどの一般的なクロスビューデータセットに対して,優れた性能を示す。
  論文  参考訳（メタデータ） (2023-03-21T13:49:49Z)
• Cross-view Geo-localization via Learning Disentangled Geometric Layout Correspondence [11.823147814005411]
  クロスビュージオローカライゼーションは、参照ジオタグ付き空中画像データベースとマッチングすることで、クエリーグラウンド画像の位置を推定することを目的としている。 最近の研究は、クロスビューなジオローカライゼーションベンチマークにおいて顕著な進歩を遂げている。 しかし、既存の手法は依然としてクロスエリアベンチマークのパフォーマンスの低下に悩まされている。
  論文  参考訳（メタデータ） (2022-12-08T04:54:01Z)
• 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)
• Geography-Aware Self-Supervised Learning [79.4009241781968]
  異なる特徴により、標準ベンチマークにおけるコントラスト学習と教師あり学習の間には、非自明なギャップが持続していることが示される。 本稿では,リモートセンシングデータの空間的整合性を利用した新しいトレーニング手法を提案する。 提案手法は,画像分類,オブジェクト検出,セマンティックセグメンテーションにおけるコントラスト学習と教師あり学習のギャップを埋めるものである。
  論文  参考訳（メタデータ） (2020-11-19T17:29:13Z)
• 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)

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。