論文の概要: UniABG: Unified Adversarial View Bridging and Graph Correspondence for Unsupervised Cross-View Geo-Localization
- arxiv url: http://arxiv.org/abs/2511.12054v1
- Date: Sat, 15 Nov 2025 06:32:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-11-18 14:36:23.535834
- Title: UniABG: Unified Adversarial View Bridging and Graph Correspondence for Unsupervised Cross-View Geo-Localization
- Title（参考訳）: UniABG:Unified Adversarial View Bridging and Graph Cor correspondingence for Unsupervised Cross-View Geo-Localization
- Authors: Cuiqun Chen, Qi Chen, Bin Yang, Xingyi Zhang,
- Abstract要約: クロスビュージオローカライゼーションは、クエリ画像と地理的に対応する反対ビュー画像とを一致させる。
我々は,新しい2段階の非教師付きジオローカライズフレームワークであるtextitUniABG$を提案する。
実験は最先端の教師なしのパフォーマンスを示す。
- 参考スコア（独自算出の注目度）: 20.341948974508636
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Cross-view geo-localization (CVGL) matches query images ($\textit{e.g.}$, drone) to geographically corresponding opposite-view imagery ($\textit{e.g.}$, satellite). While supervised methods achieve strong performance, their reliance on extensive pairwise annotations limits scalability. Unsupervised alternatives avoid annotation costs but suffer from noisy pseudo-labels due to intrinsic cross-view domain gaps. To address these limitations, we propose $\textit{UniABG}$, a novel dual-stage unsupervised cross-view geo-localization framework integrating adversarial view bridging with graph-based correspondence calibration. Our approach first employs View-Aware Adversarial Bridging (VAAB) to model view-invariant features and enhance pseudo-label robustness. Subsequently, Heterogeneous Graph Filtering Calibration (HGFC) refines cross-view associations by constructing dual inter-view structure graphs, achieving reliable view correspondence. Extensive experiments demonstrate state-of-the-art unsupervised performance, showing that UniABG improves Satellite $\rightarrow$ Drone AP by +10.63\% on University-1652 and +16.73\% on SUES-200, even surpassing supervised baselines. The source code is available at https://github.com/chenqi142/UniABG
- Abstract（参考訳）: クロスビュージオローカライゼーション(CVGL)は、クエリイメージ(\textit{e g }$, drone)と地理的に対応する反対ビューイメージ(\textit{e g }$, satellite)とを一致させる。
教師付きメソッドは高いパフォーマンスを達成するが、広範囲なペアワイズアノテーションへの依存はスケーラビリティを制限している。
教師なしの代替手段はアノテーションのコストを回避するが、固有のクロスビュードメインギャップのためにノイズの多い擬似ラベルに悩まされる。
これらの制約に対処するため、グラフベースの対応キャリブレーションと対向ビューブリッジを統合した、新しい二段階非教師付きジオローカライゼーションフレームワークである$\textit{UniABG}$を提案する。
提案手法はまず,ビュー・アウェア・アドバイザリ・ブリッジング(VAAB)を用いてビュー不変な特徴をモデル化し,擬似ラベルの堅牢性を向上する。
その後、HGFC (Heterogeneous Graph Filtering Calibration) は2つのビュー間構造グラフを構築し、信頼性の高いビュー対応を実現することで、ビュー間の関連性を洗練する。
大規模な実験では、UniABGがサテライト$\rightarrow$ Drone AP を +10.63 %、SUES-200 で +16.73 % 改善し、教師なしのベースラインを越えている。
ソースコードはhttps://github.com/chenqi142/UniABGで入手できる。
関連論文リスト
- SkyLink: Unifying Street-Satellite Geo-Localization via UAV-Mediated 3D Scene Alignment [8.886221192801381]
クロスビュージオローカライゼーションは、異なる視点間の位置対応を確立することを目的としている。
既存のアプローチは通常、直接的特徴類似性マッチングを通じて、クロスビュー相関を学習する。
本稿では,この特異な問題に対処する新しいSkyLink法を提案する。
論文 参考訳（メタデータ） (2025-09-29T13:43:18Z) - GLEAM: Learning to Match and Explain in Cross-View Geo-Localization [66.11208984986813]
CVGL(Cross-View Geo-Localization)は、同じ地理的位置の異なる視点から撮影された画像間の対応を識別することに焦点を当てている。
GLEAM-Cは、UAV画像、ストリートマップ、パノラマ画像、地上写真を含む複数のビューとモダリティを衛星画像のみに合わせる基本CVGLモデルである。
従来のCVGL手法では解釈可能性の欠如に対処するため,クロスビュー対応予測と説明可能な推論を組み合わせたGLEAM-Xを提案する。
論文 参考訳（メタデータ） (2025-09-09T07:14:31Z) - Robust Cross-View Geo-Localization via Content-Viewpoint Disentanglement [21.192114177279695]
クロスビュージオローカライゼーション(CVGL)は、ドローンや衛星など、さまざまな視点から捉えた同じ地理的位置の画像をマッチングすることを目的としている。
CVGLは、視線の変化による顕著な外観変化と空間歪みのため、非常に困難である。
我々は、$textitcontent$と$textitviewpoint$ Factorを明示的に分離する新しいCVGLフレームワークである$textbfCVD$を提案する。
論文 参考訳（メタデータ） (2025-05-17T04:10:32Z) - CVTGAD: Simplified Transformer with Cross-View Attention for Unsupervised Graph-level Anomaly Detection [11.282629706121039]
教師なしグラフレベルの異常検出のためのクロスビューアテンション付きトランスフォーマーを提案する。
受信フィールドを拡大するために,グラフ内およびグラフ間の両方の観点からノード/グラフ間の関係を利用する,簡易なトランスフォーマベースモジュールを構築した。
我々は、異なるビュー間のビュー共起を直接利用し、ノードレベルとグラフレベルでのビュー間ギャップを埋めるために、クロスビューアテンション機構を設計する。
論文 参考訳（メタデータ） (2024-05-03T03:31:00Z) - Unleashing Unlabeled Data: A Paradigm for Cross-View Geo-Localization [28.941724648519102]
本稿では,大規模クロスビュー・ジオローカライゼーション(CVGL)におけるラベルなしデータの有効利用について検討する。
CVGLの一般的なアプローチは、地上衛星画像ペアに依存し、ラベル駆動型教師付きトレーニングを採用する。
本稿では,初期擬似ラベルを検索するためのモデルを案内するクロスビュープロジェクションを含む教師なしフレームワークを提案する。
論文 参考訳（メタデータ） (2024-03-21T07:48:35Z) - Graph-based Alignment and Uniformity for Recommendation [45.40299300441636]
協調フィルタリングに基づく推薦システムは、ユーザの好みを正確に予測するために、ユーザやアイテムの学習表現に依存する。
本稿では,グラフに基づくアライメントと統一性(GraphAU)という新たなアプローチを提案する。
4つのデータセットの実験によると、GraphAUはスパーシリティの問題を大幅に軽減し、最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2023-08-18T04:33:36Z) - BOURNE: Bootstrapped Self-supervised Learning Framework for Unified
Graph Anomaly Detection [50.26074811655596]
自己指導型自己学習(BOURNE)に基づく新しい統合グラフ異常検出フレームワークを提案する。
ノードとエッジ間のコンテキスト埋め込みを交換することで、ノードとエッジの異常を相互に検出できる。
BOURNEは、負のサンプリングを必要としないため、大きなグラフを扱う際の効率を高めることができる。
論文 参考訳（メタデータ） (2023-07-28T00:44:57Z) - GraphCoCo: Graph Complementary Contrastive Learning [65.89743197355722]
グラフコントラスト学習(GCL)は、手作業によるアノテーションの監督なしに、グラフ表現学習(GRL)において有望な性能を示した。
本稿では,この課題に対処するため,グラフココというグラフ補完型コントラスト学習手法を提案する。
論文 参考訳（メタデータ） (2022-03-24T02:58:36Z) - Adversarial Linear Contextual Bandits with Graph-Structured Side
Observations [80.95090605985042]
学習エージェントは、$d$-dimensionalコンテキストベクトルで提示された後、一連の$k$アクションから繰り返し選択する。
エージェントは選択されたアクションの損失を誘発し、観察するが、観察構造における隣り合うアクションの損失も観察する。
textttEXP3に基づく2つの効率的なアルゴリズムが開発された。
論文 参考訳（メタデータ） (2020-12-10T15:40:07Z) - High-Order Information Matters: Learning Relation and Topology for
Occluded Person Re-Identification [84.43394420267794]
本稿では,高次関係とトポロジ情報を識別的特徴とロバストなアライメントのために学習し,新しい枠組みを提案する。
我々のフレームワークはOccluded-Dukeデータセットで最先端の6.5%mAPスコアを大幅に上回っている。
論文 参考訳（メタデータ） (2020-03-18T12:18:35Z)
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。