論文の概要: RemoteZero: Geospatial Reasoning with Zero Human Annotations
- arxiv url: http://arxiv.org/abs/2605.04451v1
- Date: Wed, 06 May 2026 03:25:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-07 18:41:07.625093
- Title: RemoteZero: Geospatial Reasoning with Zero Human Annotations
- Title（参考訳）: RemoteZero: ゼロヒューマンアノテーションによる地理空間推論
- Abstract要約: 地理空間的推論は、複雑な空間的意味論とユーザ意図を、地球観測のための正確なターゲット位置へと解決するモデルを必要とする。
最近の進歩により、手動のキュレーションから推論パスが解放され、モデルが独自の推論チェーンを生成できるようになった。
地理空間推論のためのボックス・スーパービジョンフリーフレームワークであるRemoteZeroを紹介する。
- 参考スコア（独自算出の注目度）: 41.61504679285346
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Geospatial reasoning requires models to resolve complex spatial semantics and user intent into precise target locations for Earth observation. Recent progress has liberated the reasoning path from manual curation, allowing models to generate their own inference chains. Yet a final dependency remains: they are still supervised by human-annotated ground-truth coordinates. This leaves the reasoning process autonomous, but not its spatial endpoint, and prevents true self-evolution on abundant unlabeled remote sensing data. To break this bottleneck, we introduce RemoteZero, a box-supervision-free framework for geospatial reasoning. RemoteZero is motivated by a simple asymmetry: an MLLM is typically better at verifying whether a region satisfies a query than at directly generating precise coordinates. Leveraging this stronger discriminative ability, RemoteZero replaces geometric supervision with intrinsic semantic verification and enables GRPO training without box annotations. The resulting framework further supports iterative self-evolution, allowing the model to improve from unlabeled remote sensing imagery through its own verification signal. Experiments show that RemoteZero achieves competitive performance against strong supervised methods, demonstrating the potential of self-verifying training for geospatial reasoning localization.
- Abstract（参考訳）: 地理空間的推論は、複雑な空間的意味論とユーザ意図を、地球観測のための正確なターゲット位置へと解決するモデルを必要とする。
最近の進歩により、手動のキュレーションから推論パスが解放され、モデルが独自の推論チェーンを生成できるようになった。
しかし、最終的な依存関係は残っており、人間によって注釈付けされた地道座標によって監督されている。
これにより、推論プロセスは自律的であるが、その空間的な終端ではなく、豊富なラベルのないリモートセンシングデータに対する真の自己進化を防ぐことができる。
このボトルネックを克服するために,地理空間推論のためのボックス・スーパービジョンフリーのフレームワークであるRemoteZeroを紹介した。
MLLMは一般に、領域がクエリを満たすかどうかを、正確な座標を直接生成するよりも検証する方がよい。
この強力な識別能力を活用して、RemoteZeroは、幾何学的監督を固有の意味的検証に置き換え、ボックスアノテーションなしでGRPOトレーニングを可能にする。
結果として得られるフレームワークはさらに反復的な自己進化をサポートし、モデルがラベルのないリモートセンシング画像から独自の検証信号を通じて改善することができる。
実験により、RemoteZeroは、地理空間的推論のローカライゼーションのための自己検証トレーニングの可能性を示し、強力な教師付き手法と競合する性能を示した。
関連論文リスト
- GeoSelect: Spatial-Program Execution for Training-Free Referring Remote Sensing Image Segmentation [6.614544060903834]
入力された空間プログラムの実行をリフレームする、トレーニング不要なパイプラインであるGeoSelectを提案する。
実行は明示的であるため、すべての中間プログラム、フィールド、ランキングは検査可能である。
GeoSelectはRRSIS-Dテストで58.86 mIoU、RISBenchテストで55.27 mIoUを達成し、RRSIS-Dで2倍以上の事前トレーニングなしの手法であり、参照監督も1つのGPU上でも最高である。
論文 参考訳（メタデータ） (2026-07-04T13:21:31Z) - Imagine2Real: Towards Zero-shot Humanoid-Object Interaction via Video Generative Priors [51.096845970243855]
高忠実度3Dデータの不足により,全体Humanoid-Object Interaction (HOI) がボトルネックとなる。
本研究では,ゼロショットHOIフレームワークであるImagine2Realを提案する。
論文 参考訳（メタデータ） (2026-05-21T10:15:39Z) - GeoSeg: Training-Free Reasoning-Driven Segmentation in Remote Sensing Imagery [12.65874706732698]
推論駆動型リモートセンシングセグメンテーションの監視ボトルネックを回避し,ゼロショットでトレーニング不要なフレームワークであるGeoSegを提案する。
GeoSegは、(i)系統的な接地シフトを補正するためのバイアス対応座標補正、(ii)細粒な空間的手がかりで意味的意図を融合するための二重ルートプロンプト機構を通じて、正確な局所化を伴うMLLM推論を結合する。
実験の結果、GeoSegはすべてのベースラインを一貫して上回り、各コンポーネントの有効性と必要性を検証している。
論文 参考訳（メタデータ） (2026-03-04T12:24:16Z) - RSGround-R1: Rethinking Remote Sensing Visual Grounding through Spatial Reasoning [61.84363374647606]
リモートセンシングビジュアルグラウンドディング(RSVG)は、自然言語記述に基づく大規模空中画像における対象物体のローカライズを目的としている。
これらの記述はしばしば位置的手がかりに大きく依存しており、空間的推論においてMLLM(Multimodal Large Language Models)に固有の課題を提起している。
空間理解の高度化を図るために,textbfRSGround-R1 と呼ばれる推論誘導型位置認識後学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-29T12:35:57Z) - GeoZero: Incentivizing Reasoning from Scratch on Geospatial Scenes [84.52881742231152]
マルチモーダル大規模言語モデル (MLLM) は地理空間的シーン理解の進展において急速な発展を遂げている。
近年、リモートセンシングMLLMの推論能力の向上が試みられ、典型的には、精巧にキュレートされたチェーン・オブ・シント(CoT)データによるコールドスタートトレーニングによって実現されている。
MLLMが事前に定義されたCoTの監督なしに地理空間推論を行うことを可能にするフレームワークであるGeoZeroを提案する。
論文 参考訳（メタデータ） (2025-11-27T17:28:09Z) - A Unified Reasoning Framework for Holistic Zero-Shot Video Anomaly Analysis [64.42659342276117]
ビデオの異常な研究のほとんどは、フレームワイド検出で停止し、なぜイベントが異常なのかについての洞察はほとんど得られない。
近年の動画の局所化と映像の異常理解手法は、説明可能性を改善するが、データに依存し、タスク固有のままである。
本稿では,時間的検出,空間的局所化,テキスト的説明のギャップを埋める統一的推論フレームワークを提案する。
論文 参考訳（メタデータ） (2025-11-02T14:49:08Z) - ZoRI: Towards Discriminative Zero-Shot Remote Sensing Instance Segmentation [23.40908829241552]
本稿では,訓練データに欠落した空中物体を特定することを目的とした,ゼロショットリモートセンシングインスタンスセグメンテーションという新しいタスクを提案する。
我々は,事前学習された視覚言語アライメントを維持するために,意味関連情報を分離する知識注入型適応戦略を導入する。
我々は,新しい実験プロトコルとベンチマークを構築し,ZoRIが最先端の性能を達成することを実証する広範囲な実験を行った。
論文 参考訳（メタデータ） (2024-12-17T11:00:56Z) - Towards Unsupervised Object Detection From LiDAR Point Clouds [46.57452180314863]
OYSTER (Object Discovery via Spatio-Temporal Refinement) は、オブジェクトをゼロショットで検出できる。
距離対衝突に基づく新しい計画中心の知覚尺度を提案する。
論文 参考訳（メタデータ） (2023-11-03T16:12:01Z) - MAPConNet: Self-supervised 3D Pose Transfer with Mesh and Point
Contrastive Learning [32.97354536302333]
3次元ポーズ転送は、ソースジオメトリのポーズを、ターゲットアイデンティティを保存したターゲットジオメトリに転送することを目的とした、困難な生成タスクである。
現在のポーズ伝達法は、エンドツーエンドの対応学習を可能にするが、監督のための基礎的真理として望ましい最終的な出力を必要とする。
本稿では、教師なし、半教師なし、あるいは完全に教師付き設定で訓練できる3Dポーズ転送のための新しい自己教師型フレームワークを提案する。
論文 参考訳（メタデータ） (2023-04-26T20:42:40Z) - Unsupervised Adaptation from Repeated Traversals for Autonomous Driving [54.59577283226982]
自動運転車はエンドユーザー環境に一般化し、確実に動作させなければならない。
潜在的な解決策の1つは、エンドユーザの環境から収集されたラベルのないデータを活用することである。
適応過程を監督する信頼性のある信号はターゲット領域に存在しない。
この単純な仮定は、ターゲット領域上の3次元物体検出器の反復的自己学習を可能にする強力な信号を得るのに十分であることを示す。
論文 参考訳（メタデータ） (2023-03-27T15:07:55Z)
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。