論文の概要: Dual-level Progressive Hardness-Aware Reweighting for Cross-View Geo-Localization

• arxiv url: http://arxiv.org/abs/2510.27181v3
• Date: Tue, 04 Nov 2025 04:54:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-05 14:27:17.381078
• Title: Dual-level Progressive Hardness-Aware Reweighting for Cross-View Geo-Localization
• Title（参考訳）: クロスビュージオローカライゼーションのためのデュアルレベルプログレッシブハードネス認識再重み付け
• Authors: Guozheng Zheng, Jian Guan, Mingjie Xie, Xuanjia Zhao, Congyi Fan, Shiheng Zhang, Pengming Feng,
• Abstract要約: ドローンと衛星画像のクロスビューなジオローカライゼーションは難しい。 既存の採掘戦略や再重み付け戦略は、しばしば静的重み付けを用いる。 本稿では,2段階のプログレッシブ・ハーネスを意識した再重み付け戦略を提案する。
• 参考スコア（独自算出の注目度）: 8.029962860829821
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-view geo-localization (CVGL) between drone and satellite imagery remains challenging due to severe viewpoint gaps and the presence of hard negatives, which are visually similar but geographically mismatched samples. Existing mining or reweighting strategies often use static weighting, which is sensitive to distribution shifts and prone to overemphasizing difficult samples too early, leading to noisy gradients and unstable convergence. In this paper, we present a Dual-level Progressive Hardness-aware Reweighting (DPHR) strategy. At the sample level, a Ratio-based Difficulty-Aware (RDA) module evaluates relative difficulty and assigns fine-grained weights to negatives. At the batch level, a Progressive Adaptive Loss Weighting (PALW) mechanism exploits a training-progress signal to attenuate noisy gradients during early optimization and progressively enhance hard-negative mining as training matures. Experiments on the University-1652 and SUES-200 benchmarks demonstrate the effectiveness and robustness of the proposed DPHR, achieving consistent improvements over state-of-the-art methods.
• Abstract（参考訳）: ドローン画像と衛星画像のクロスビュー・ジオローカライゼーション(CVGL)は、視界差の激しい点と、視覚的に類似しているが地理的に不一致なサンプルである硬い負の存在のため、依然として困難である。 既存の鉱業や再重み付けの戦略は、しばしば静的重み付けを用いるが、これは分布シフトに敏感であり、難しいサンプルを過度に強調する傾向があり、ノイズのある勾配と不安定な収束をもたらす。 本稿では,DPHR(Dual-level Progressive Hardness-aware Reweighting)戦略を提案する。 サンプルレベルでは、Ratio ベースの Difficulty-Aware (RDA) モジュールは相対的困難を評価し、きめ細かい重みを負に割り当てる。 バッチレベルでは、プログレッシブ・アダプティブ・ロス・ウェイトリング(PALW)機構は、初期最適化時にノイズ勾配を減衰させ、訓練が成熟するにつれてハードネガティブなマイニングを徐々に向上させる訓練プログレッシブ・プログレッシブ・シグナルを利用する。 大学1652とSUES-200ベンチマークの実験は、提案されたDPHRの有効性と堅牢性を示し、最先端の手法よりも一貫した改善を実現している。

関連論文リスト

• DARO: Difficulty-Aware Reweighting Policy Optimization [18.07946696398167]
  RLVR(Reinforcement Learning with Verifiable Rewards)の事実上のアプローチとしてグループ相対政策最適化(GRPO)が登場した。 サンプルの難易度に結びついた静的あるいは過度に単純化された重み付けスキームへの依存が、モデルの進化する機能への適応を妨げていることを示す統一ビューを提供する。 本稿では,bfbfDifficulty-Aware Reweighting Policy Optimization (DARO)を紹介する。
  論文  参考訳（メタデータ） (2025-10-10T04:57:15Z)
• G$^2$RPO: Granular GRPO for Precise Reward in Flow Models [74.21206048155669]
  本稿では,サンプリング方向の高精度かつ包括的な報酬評価を実現する新しいグラニュラー-GRPO(G$2$RPO)フレームワークを提案する。 複数の拡散スケールで計算された利点を集約するマルチグラニュラリティ・アドバンテージ・インテグレーション・モジュールを導入する。 G$2$RPOは既存のフローベースGRPOベースラインを著しく上回る。
  論文  参考訳（メタデータ） (2025-10-02T12:57:12Z)
• Diffusion Sampling Path Tells More: An Efficient Plug-and-Play Strategy for Sample Filtering [18.543769006014383]
  拡散モデルはしばしば、サンプリング軌跡に固有の変化のために、一貫性のないサンプル品質を示す。 CFG-リジェクション(CFG-Rejection)は,デノナイジングプロセスの初期段階において,低品質なサンプルをフィルタリングする効率的なプラグアンドプレイ戦略である。 画像生成におけるCFG-Rejectionの有効性を広範囲な実験により検証する。
  論文  参考訳（メタデータ） (2025-05-29T11:08:24Z)
• Learning A Robust RGB-Thermal Detector for Extreme Modality Imbalance [10.189143024910598]
  RGBサーマル(RGB-T)オブジェクト検出は、熱赤外(TIR)画像を用いてRGBデータを補完し、困難な条件下での堅牢性を改善する。 従来のRGB-T検出器は、両モードが等しく寄与するバランスの取れたトレーニングデータを仮定する。 本稿では,新しいベース・アンド・オシリリア検出器アーキテクチャを提案することで,これらの課題に対処する。
  論文  参考訳（メタデータ） (2025-05-28T09:18:55Z)
• AdaSin: Enhancing Hard Sample Metrics with Dual Adaptive Penalty for Face Recognition [12.570787482091967]
  本稿では,新しい難易度指標として,サンプルの埋め込み特徴と接地トラスクラス中心との間の角度の正弦を導入するアダプティブ・シン(AdaSin)損失関数を提案する。 AdaSinは他の最先端手法よりも精度が高い。
  論文  参考訳（メタデータ） (2025-03-05T14:11:13Z)
• SeMi: When Imbalanced Semi-Supervised Learning Meets Mining Hard Examples [54.760757107700755]
  Semi-Supervised Learning (SSL)は、豊富なラベルのないデータを活用して、モデルのパフォーマンスを向上させる。 実世界のシナリオにおけるクラス不均衡なデータ分散は、SSLに大きな課題をもたらし、結果としてパフォーマンスが低下する。 マイニングハードケース(SeMi)による不均衡半教師学習の性能向上手法を提案する。
  論文  参考訳（メタデータ） (2025-01-10T14:35:16Z)
• Energy Score-based Pseudo-Label Filtering and Adaptive Loss for Imbalanced Semi-supervised SAR target recognition [1.2035771704626825]
  既存の半教師付きSAR ATRアルゴリズムは、クラス不均衡の場合、認識精度が低い。 この研究は、動的エネルギースコアと適応損失を用いた非平衡半教師付きSAR目標認識手法を提供する。
  論文  参考訳（メタデータ） (2024-11-06T14:45:16Z)
• Scale-Equivalent Distillation for Semi-Supervised Object Detection [57.59525453301374]
  近年のSemi-Supervised Object Detection (SS-OD) 法は主に自己学習に基づいており、教師モデルにより、ラベルなしデータを監視信号としてハードな擬似ラベルを生成する。 実験結果から,これらの手法が直面する課題を分析した。 本稿では,大規模オブジェクトサイズの分散とクラス不均衡に頑健な簡易かつ効果的なエンド・ツー・エンド知識蒸留フレームワークであるSED(Scale-Equivalent Distillation)を提案する。
  論文  参考訳（メタデータ） (2022-03-23T07:33:37Z)
• Cascaded Regression Tracking: Towards Online Hard Distractor Discrimination [202.2562153608092]
  本稿では,2段階の逐次回帰トラッカーを提案する。 第1段階では, 容易に同定可能な負の候補を抽出する。 第2段階では、残留するあいまいな硬質試料をダブルチェックするために、離散サンプリングに基づくリッジ回帰を設計する。
  論文  参考訳（メタデータ） (2020-06-18T07:48:01Z)
• Extrapolation for Large-batch Training in Deep Learning [72.61259487233214]
  我々は、バリエーションのホストが、我々が提案する統一されたフレームワークでカバー可能であることを示す。 本稿では,この手法の収束性を証明し,ResNet,LSTM,Transformer上での経験的性能を厳格に評価する。
  論文  参考訳（メタデータ） (2020-06-10T08:22:41Z)

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。