論文の概要: GeoFlow: Real-Time Fine-Grained Cross-View Geolocalization via Iterative Flow Prediction
- arxiv url: http://arxiv.org/abs/2603.21943v1
- Date: Mon, 23 Mar 2026 12:59:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-03-24 19:11:39.682944
- Title: GeoFlow: Real-Time Fine-Grained Cross-View Geolocalization via Iterative Flow Prediction
- Title（参考訳）: GeoFlow: 反復フロー予測によるリアルタイム細粒度クロスビュージオローカライゼーション
- Authors: Ayesh Abu Lehyeh, Xiaohan Zhang, Ahmad Arrabi, Waqas Sultani, Chen Chen, Safwan Wshah,
- Abstract要約: 現在の手法では、高精度なモデルがリアルタイム使用には遅いため、難しいトレードオフを余儀なくされている。
この精度と速度のトレードオフを断ち切る軽量で高効率なフレームワークを提供する新しいアプローチであるGeoFlowを紹介します。
KITTIとVIGORデータセットの実験では、GeoFlowが最先端の効率を実現し、29FPSのリアルタイム速度で実行されていることが示されている。
- 参考スコア（独自算出の注目度）: 12.441710475756265
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Accurate and fast localization is vital for safe autonomous navigation in GPS-denied areas. Fine-Grained Cross-View Geolocalization (FG-CVG) aims to estimate the precise 2-Degree-of-Freedom (2-DoF) location of a ground image relative to a satellite image. However, current methods force a difficult trade-off, with high-accuracy models being slow for real-time use. In this paper, we introduce GeoFlow, a new approach that offers a lightweight and highly efficient framework that breaks this accuracy-speed trade-off. Our technique learns a direct probabilistic mapping, predicting the displacement (in distance and direction) required to correct any given location hypothesis. This is complemented by our novel inference algorithm, Iterative Refinement Sampling (IRS). Instead of trusting a single prediction, IRS refines a population of hypotheses, allowing them to iteratively 'flow' from random starting points to a robust, converged consensus. Even its iterative nature, this approach offers flexible inference-time scaling, allowing a direct trade-off between performance and computation without any re-training. Experiments on the KITTI and VIGOR datasets show that GeoFlow achieves state-of-the-art efficiency, running at real-time speeds of 29 FPS while maintaining competitive localization accuracy. This work opens a new path for the development of practical real-time geolocalization systems.
- Abstract（参考訳）: 高精度かつ高速な位置決めは、GPSで識別された地域での安全な自律航法に不可欠である。
FG-CVGは、衛星画像に対する地上画像の正確な2自由度(2-DoF)位置を推定することを目的としている。
しかし、現在の手法ではトレードオフが難しく、高精度なモデルはリアルタイム利用には遅い。
本稿では,この高精度・高速トレードオフを断ち切る軽量かつ高効率なフレームワークを提供する新しいアプローチであるGeoFlowを紹介する。
本手法は,任意の位置仮説を補正するために必要な変位(距離と方向)を予測し,直接確率写像を学習する。
これは、新しい推論アルゴリズムであるIterative Refinement Sampling (IRS)によって補完される。
一つの予測を信頼する代わりに、IRSは仮説の集団を洗練させ、ランダムな出発点から頑健で収束したコンセンサスへと反復的に「流れ」できる。
反復的な性質であっても、このアプローチはフレキシブルな推論時間スケーリングを提供し、再トレーニングなしにパフォーマンスと計算の直接的なトレードオフを可能にする。
KITTIとVIGORデータセットの実験によると、GeoFlowは最先端の効率を実現し、29 FPSのリアルタイム速度で動作し、競争力のあるローカライゼーション精度を維持している。
本研究は,実時間ジオローカライズシステムの開発に向けた新たな道を開くものである。
関連論文リスト
- Adaptive Graph Pruning with Sudden-Events Evaluation for Traffic Prediction using Online Semi-Decentralized ST-GNNs [0.07456526005219317]
予測のための最も情報性の高い空間コンテキストを保存しながら、冗長な隣接特徴をフィルタリングする適応型プルーニングアルゴリズムを提案する。
このアルゴリズムは、最近のモデル性能に基づいてプルーニング率を調整し、各クラウドレットが精度を損なうことなく、トラフィックの変化を経験する領域に集中できるようにする。
当社のアプローチは,従来のFL,サーバフリーFL,Gossip Learningを併用した,大規模トラフィックデータセットのオンライン半分散環境で評価する。
論文 参考訳（メタデータ） (2025-12-19T08:48:36Z) - PRISM-Loc: a Lightweight Long-range LiDAR Localization in Urban Environments with Topological Maps [0.8009940044669193]
大規模環境における局所化のためのトポロジカルマップに基づくアプローチであるPRISM-Locを提案する。
提案手法では、グローバルな位置認識と、検出された位置内の局所的なポーズの推定からなる2倍の局所化パイプラインを利用する。
提案手法をITLP-Campusデータセット上で3kmの経路で評価し,最先端のメートル法と位置認識方式の競合とを比較した。
論文 参考訳（メタデータ） (2025-06-18T19:59:50Z) - Real-time Spatial-temporal Traversability Assessment via Feature-based Sparse Gaussian Process [15.756895046886406]
本研究では,自律型ロボットが複雑な地形を移動できるようにすることを目的とした,空間的時間的トラバーサビリティ評価手法を提案する。
我々の手法は精度と計算効率の両面でSOTAよりも優れている。
本研究では,移動可能性マップと統合された自律ナビゲーションフレームワークを開発し,複雑な屋外環境下での微分駆動車による検証を行う。
論文 参考訳（メタデータ） (2025-03-06T06:26:57Z) - Deep Homography Estimation for Visual Place Recognition [49.235432979736395]
本稿では,変換器を用いたディープホモグラフィー推定(DHE)ネットワークを提案する。
バックボーンネットワークによって抽出された濃密な特徴写像を入力とし、高速で学習可能な幾何的検証のためにホモグラフィーに適合する。
ベンチマークデータセットを用いた実験により,本手法はいくつかの最先端手法より優れていることが示された。
論文 参考訳（メタデータ） (2024-02-25T13:22:17Z) - FedSpeed: Larger Local Interval, Less Communication Round, and Higher
Generalization Accuracy [84.45004766136663]
フェデレートラーニング(Federated Learning)は、分散機械学習フレームワークである。
これは、局所的不整合最適と局所的過度な適合による頑丈なクライアントドリフトによってもたらされる非消滅バイアスに悩まされる。
本稿では,これらの問題による負の影響を軽減するために,新しい実用的手法であるFedSpeedを提案する。
論文 参考訳（メタデータ） (2023-02-21T03:55:29Z) - LocUNet: Fast Urban Positioning Using Radio Maps and Deep Learning [59.17191114000146]
LocUNet: 基地局(BSs)からの受信信号強度(RSS)のみに基づく深層学習手法
提案手法では,BSsからのRSSを,クラウド上に存在する可能性のある中央処理ユニット(CPU)にローカライズする。
推定されたBSのパスロスラジオマップを用いて、LocUNetは最先端の精度でユーザをローカライズし、無線マップの不正確性に対して高い堅牢性を享受する。
論文 参考訳（メタデータ） (2022-02-01T20:27:46Z) - Real-time Outdoor Localization Using Radio Maps: A Deep Learning
Approach [59.17191114000146]
LocUNet: ローカライゼーションタスクのための畳み込み、エンドツーエンドのトレーニングニューラルネットワーク(NN)。
我々は,LocUNetがユーザを最先端の精度でローカライズし,無線マップ推定における不正確性が高いことを示す。
論文 参考訳（メタデータ） (2021-06-23T17:27:04Z) - Higher Performance Visual Tracking with Dual-Modal Localization [106.91097443275035]
Visual Object Tracking (VOT)は、堅牢性と正確性の両方に同期性を必要とする。
ONRによるロバストなローカリゼーション抑制器とOFCによるターゲットセンターへの正確なローカリゼーションにより、ターゲットローカリゼーションのためのデュアルモーダルフレームワークを提案します。
論文 参考訳（メタデータ） (2021-03-18T08:47:56Z) - Map-Based Temporally Consistent Geolocalization through Learning Motion
Trajectories [0.5076419064097732]
本稿では, トポロジカルマップ上での運動軌跡を利用したニューラルネットを用いた新しい軌跡学習手法を提案する。
ナビゲーションにおける自己運動の距離と方向の両方を認識できる人間の能力に触発されて,軌道学習法は,距離の列として符号化された軌道のパターン表現を学習し,角度を回転させて自己局所化を支援する。
論文 参考訳（メタデータ） (2020-10-13T02:08:45Z)
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。