論文の概要: Object-Level Explanations for Image Geolocation Models: a GeoGuessr use-case

• arxiv url: http://arxiv.org/abs/2605.00912v1
• Date: Wed, 29 Apr 2026 09:44:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-05 20:33:49.476012
• Title: Object-Level Explanations for Image Geolocation Models: a GeoGuessr use-case
• Title（参考訳）: 画像位置情報モデルのためのオブジェクトレベル記述:GeoGuessrのユースケース
• Authors: Emilie Durrieu, Christophe Hurter, Philippe Muller, Victor Boutin,
• Abstract要約: 位置情報モデルで用いられる視覚的エビデンスを調べるために,オブジェクト中心分析パイプラインを提案する。 3つの国でのベンチマーク実験では、帰属誘導作物は無作為作物よりもモデルの予測に関する情報を常に保持し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）: 9.175493548143768
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: When humans play geolocation games such as GeoGuessr, they rely on concrete visual cues, such as road markings, vegetation, or architectural details, to infer where an image was captured. Whether image geolocation models rely on similar object-level evidence remains difficult to determine, as attribution methods like Grad-CAM typically highlight diffuse regions rather than coherent visual entities, making it difficult to link model predictions to specific objects or perceptible patterns. In this work, we propose an object-centric analysis pipeline to investigate the visual evidence used by geolocation models. Starting from attribution maps, we extract salient regions and segment them into object-like elements. We evaluate their predictive relevance through deletion and insertion tests, comparing attributionguided crops to randomly selected regions with similar coverage. Experiments on a three-country benchmark show that attribution-guided crops consistently retain more information for the model's prediction than random crops. These results suggest that attribution maps can be decomposed into interpretable, perceptible elements, providing a step toward object-level analysis of geolocation models.
• Abstract（参考訳）: ヒトがGeoGuessrのようなジオロケーションゲームをする際には、道路標識、植生、建築の詳細などの具体的な視覚的手がかりを頼りに、画像がどこで撮影されたのかを推測する。 Grad-CAMのような帰属法では、コヒーレントな視覚的実体よりも拡散領域が強調され、モデル予測を特定の物体や知覚可能なパターンにリンクすることは困難である。 本研究では,位置情報モデルが用いた視覚的エビデンスを調べるために,オブジェクト中心分析パイプラインを提案する。 帰属写像から始めて、有能な領域を抽出し、それらをオブジェクトのような要素に分割する。 減量試験と挿入試験を併用し,無作為選択された作物と類似のカバー範囲を比較検討した。 3つの国でのベンチマーク実験では、帰属誘導作物は無作為作物よりもモデルの予測に関する情報を常に保持していることが示されている。 これらの結果から,帰属写像は解釈可能な,知覚可能な要素に分解可能であることが示唆された。

関連論文リスト

• Learning to Wander: Improving the Global Image Geolocation Ability of LMMs via Actionable Reasoning [72.13218601075958]
  textbfWanderBenchは,具体的シナリオにおける行動可能な位置情報推論のための,最初のオープンアクセスグローバルジオロケーションベンチマークである。 我々は,下線Action of UnderlineThoughを用いた下線Geolocationフレームワークである textbfGeoAoT (Action of Thought) を提案する。 19個の大規模マルチモーダルモデルによる実験により、GeoAoTは動的環境におけるより優れた微細な局所化とより強力な一般化を実現することが示された。
  論文  参考訳（メタデータ） (2026-03-11T06:24:10Z)
• GeoAgent: Learning to Geolocate Everywhere with Reinforced Geographic Characteristics [91.17301794848025]
  本稿では,人間と密に推論し,詳細なアドレス結論を導出できるGeoAgentについて述べる。 従来のRLベースの手法は、パフォーマンスと解釈可能性においてブレークスルーを達成したが、AI生成のチェーン・オブ・プリート(CoT)データとトレーニング戦略に依存しているため、依然として懸念が残っている。
  論文  参考訳（メタデータ） (2026-02-13T04:48:05Z)
• Aggregating Local Saliency Maps for Semi-Global Explainable Image Classification [0.0]
  ディープラーニングは画像分類タスクを支配しているが、モデルが予測に到達する方法を理解することは依然として困難である。 多くの研究は、モデルの予測に対する特定のピクセルの影響を可視化するサリエンシマップのような個々の予測の局所的な説明に焦点を当てている。 本稿では,局所的なサリエンシの説明を(半)言語的洞察にまとめる手法であるセグメンツ属性テーブル(SAT)を提案する。
  論文  参考訳（メタデータ） (2025-06-29T14:11:02Z)
• Detecting Contextual Anomalies by Discovering Consistent Spatial Regions [5.160649627495959]
  本稿では,映像の異常検出を可能にする空間コンテキストをモデル化する手法について述べる。 主なアイデアは、共同オブジェクト属性をクラスタリングすることで、類似したオブジェクトレベルのアクティビティを共有する領域を見つけることである。 本稿では, 競合モデルよりも桁違いに少ないパラメータを用いて, 空間コンテキストに依存したストリートシーンデータセットを用いて, このアプローチを実証する。
  論文  参考訳（メタデータ） (2025-01-14T22:33:07Z)
• Classification Drives Geographic Bias in Street Scene Segmentation [20.14340857253721]
  我々は、より複雑なタスクであるインスタンスセグメンテーションに基づいて、実世界の運転データセットのジオバイアスを調査した。 その結果,ジオビアーゼは局所化誤差よりも分類誤差が原因であることが判明した。 地域別モデルでは, 粗いクラスを用いてジオビアーゼを著しく緩和できることが示唆された。
  論文  参考訳（メタデータ） (2024-12-15T05:33:10Z)
• GEOBench-VLM: Benchmarking Vision-Language Models for Geospatial Tasks [84.86699025256705]
  本稿では,地理空間的タスクの視覚言語モデル(VLM)を評価するためのベンチマークであるGEOBench-VLMを提案する。 私たちのベンチマークでは、手動で検証された命令が1万以上あり、さまざまな視覚条件、オブジェクトタイプ、スケールにまたがっています。 地理空間固有の課題における性能を評価するために,いくつかの最先端のVLMを評価した。
  論文  参考訳（メタデータ） (2024-11-28T18:59:56Z)
• GeoGLUE: A GeoGraphic Language Understanding Evaluation Benchmark [56.08664336835741]
  我々はGeoGLUEと呼ばれるGeoGraphic Language Understanding Evaluationベンチマークを提案する。 オープンソースの地理資源からデータを収集し、6つの自然言語理解タスクを導入する。 我々は,GeoGLUEベンチマークの有効性と意義を示す一般ベースラインの評価実験と解析を行った。
  論文  参考訳（メタデータ） (2023-05-11T03:21:56Z)
• 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)
• G^3: Geolocation via Guidebook Grounding [92.46774241823562]
  本研究では,人間が位置情報に用いている視覚的特徴を記述した人書きガイドブックから,明示的な知識について検討する。 多様な場所からのストリートビュー画像のデータセットを用いたガイドブックグラウンディングによるジオロケーションのタスクを提案する。 提案手法は,Top-1の精度が5%以上向上し,最先端の画像のみの位置決め法よりも大幅に向上する。
  論文  参考訳（メタデータ） (2022-11-28T16:34:40Z)
• 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)

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。