論文の概要: Vision-Based Localization in Dense Urban Environments: A Case Study of an Urban Village in China
- arxiv url: http://arxiv.org/abs/2605.30714v1
- Date: Fri, 29 May 2026 01:10:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-01 20:56:50.321858
- Title: Vision-Based Localization in Dense Urban Environments: A Case Study of an Urban Village in China
- Title（参考訳）: 密集都市環境における視覚的地域化--中国の都市村を事例として
- Abstract要約: 都市村は現在、中国の大都市における移民労働者の主要な居住地となっている。
不完全なマッピングデータは正確なルート計画とナビゲーションを損なう。
そこで我々は,高密度都市環境に適したビジョンに基づくジオローカライゼーションソリューションを提案する。
- 参考スコア（独自算出の注目度）: 4.1979008271652
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Urban villages, the widespread informal settlements which have emerged as a result of rapid urbanization, are now major residential hubs for migrant workers in large cities in China. The dense arrangement of buildings in these areas often leads to unreliable GPS signals, while incomplete mapping data further impairs accurate route planning and navigation. These issues not only hinder everyday mobility but also pose significant challenges for emergency response, as confusing road layouts and GPS inaccuracies can complicate evacuation efforts. To address these challenges, we propose a practical vision-based geo-localization solution tailored for dense urban environments. Our approach features a low-cost data collection pipeline utilizing a dual-camera system, comprising a panoramic camera and a smartphone camera, to capture synchronized 360-degree panoramas and query images. Using Shipai Village, a well-known densely populated urban village in Guangzhou, as a case study, we develop a specialized image geo-localization dataset. We then assess and compare the performance of existing models across various scene types to identify their strengths and weaknesses. The findings demonstrate both the potential and limitations of visual-based localization in dense urban-village environments. Our framework aims to enhance pedestrian navigation, last-mile delivery, and emergency management in areas with poor GPS coverage, ultimately supporting the vulnerable populations living within these informal settlements.
- Abstract（参考訳）: 急速な都市化の結果として広まりつつある非公式の集落である都市村は、現在では中国の大都市で移民労働者が居住する主要な拠点となっている。
これらの地域の建物の密集した配置は、しばしば信頼性の低いGPS信号をもたらすが、不完全なマッピングデータはさらに正確なルート計画とナビゲーションを損なう。
これらの問題は日常の移動を阻害するだけでなく、道路配置の混乱やGPSの不正確さによって避難作業が複雑になるため、緊急対応にも大きな課題をもたらす。
これらの課題に対処するために,高密度都市環境に適した現実的な視覚に基づくジオローカライゼーションソリューションを提案する。
本手法では,パノラマカメラとスマートフォンカメラを組み合わせたデュアルカメラシステムを用いて,同期した360度パノラマとクエリ画像の収集を行う。
広州市における人口密度の高い都市村であるShipai Villageを事例として,特定画像位置化データセットを構築した。
次に、既存のモデルの性能を様々な場面で評価・比較し、その強みと弱点を識別する。
その結果,高密度都市ビラージュ環境における視覚的局所化の可能性と限界が示された。
本フレームワークは,GPSが不十分な地域での歩行者ナビゲーション,ラストマイル配送,緊急管理を強化することを目的としており,最終的にこれらの非公式居住地に住む脆弱な住民を支援することを目的としている。
関連論文リスト
- UrbanGround: From Local Perception to Spatial Agency in a Real-Scale City [63.28750191463138]
マルチモーダル大言語モデル(MLLM)はストリートビューを解釈できるが、都市局はエージェントが移動し始めると、そのような局所的な証拠が有用かどうかに依存している。
本研究では,現在のMLLMエージェントが,複雑な都市における都市認識を信頼性のある行動に変換する方法について検討する。
そこで本研究では,香港の3次元地理空間データから構築した物理的に制約されたレプリカで,この問題を検証可能な最初のサンドボックスであるUrbanGroundを提案する。
論文 参考訳（メタデータ） (2026-08-27T17:59:33Z) - Life Style Levels: Neighborhood Delineation using Geospatial Data [0.0]
本研究は,オープンソースの衛星画像から得られた建築形態を応用した,スケーラブルでグリッドベースの都市デライン化フレームワークを提案する。
提案するフレームワークは,インドの都市をまたがる粒度の都市アフルエンスマッピングに対して,スケーラブルで解釈可能で費用対効果の高いアプローチを提供する。
論文 参考訳（メタデータ） (2026-07-07T17:37:03Z) - Building and Road Recognition in Dense Urban Informal Settlements: A Dataset and Benchmark [6.394278440586793]
このデータセットは、非常に密集した都市部における建設と道路抽出のために特別に設計された初めての高解像度リモートセンシングデータセットである。
このデータセット上で,最先端のディープラーニングモデルの包括的評価を行う。
textitDenseUISは、複雑で密度の高い非公式環境において、きめ細かい都市マッピングを進めるための堅牢なベンチマークを提供する。
論文 参考訳（メタデータ） (2026-05-28T12:37:14Z) - Envisioning global urban development with satellite imagery and generative AI [15.552739333456172]
本研究では,世界規模で持続可能な都市開発を実現するための多モード生成型AIフレームワークを設計する。
プロンプトと地理空間制御を統合することで、我々のフレームワークは高忠実で多彩でリアルな都市衛星画像を生成することができる。
また、周囲の環境から学ぶことで都市再開発の実践を促進する。
論文 参考訳（メタデータ） (2026-03-27T05:07:45Z) - Urban-R1: Reinforced MLLMs Mitigate Geospatial Biases for Urban General Intelligence [64.36291202666212]
アーバン・ジェネラル・インテリジェンス(UGI)とは、複雑な都市環境を理解し、推論できるAIシステムである。
近年, LLM と MLLM の教師付き微調整 (SFT) を用いた都市基盤モデルの構築が進められている。
MLLMをUGIの目的と整合させる強化学習に基づくポストトレーニングフレームワークであるUrban-R1を提案する。
論文 参考訳（メタデータ） (2025-10-18T15:59:09Z) - Unsupervised Urban Land Use Mapping with Street View Contrastive Clustering and a Geographical Prior [16.334202302817783]
本研究は、地理的事前に組み込まれたストリートビュー画像に対する教師なしコントラストクラスタリングモデルを提案する。
本研究では,2つの都市の地理タグ付きストリートビュー画像データセットから土地利用地図を作成できることを実験的に示す。
論文 参考訳（メタデータ） (2025-04-24T13:41:27Z) - AerialGo: Walking-through City View Generation from Aerial Perspectives [48.53976414257845]
AerialGoは、空中画像からリアルな街並みを生成するフレームワークである。
AerialGoは、アクセス可能な航空データに地上視合成を条件付けすることで、地上レベルの画像に固有のプライバシーリスクを回避できる。
実験により、AerialGoは地上レベルのリアリズムと構造的コヒーレンスを著しく向上させることが示された。
論文 参考訳（メタデータ） (2024-11-29T08:14:07Z) - StreetviewLLM: Extracting Geographic Information Using a Chain-of-Thought Multimodal Large Language Model [12.789465279993864]
地理空間予測は災害管理、都市計画、公衆衛生など様々な分野において重要である。
提案するStreetViewLLMは,大規模言語モデルと連鎖推論とマルチモーダルデータソースを統合した新しいフレームワークである。
このモデルは、香港、東京、シンガポール、ロサンゼルス、ニューヨーク、ロンドン、パリを含む7つの世界都市に適用されている。
論文 参考訳（メタデータ） (2024-11-19T05:15:19Z) - StreetSurfGS: Scalable Urban Street Surface Reconstruction with Planar-based Gaussian Splatting [85.67616000086232]
StreetSurfGSは、スケーラブルな街路景観の再構築に適したガウススプラッティングを利用するための最初の方法である。
StreetSurfGSは、平面ベースのオクツリー表現とセグメンテーショントレーニングを使用して、メモリコストを削減し、ユニークなカメラ特性に対応し、スケーラビリティを確保する。
スパースビューとマルチスケールの課題に対処するために、隣接する情報と長期情報を活用する2段階マッチング戦略を用いる。
論文 参考訳（メタデータ） (2024-10-06T04:21:59Z) - MetaUrban: An Embodied AI Simulation Platform for Urban Micromobility [52.0930915607703]
最近のロボティクスとエンボディードAIの進歩により、公共の都市空間はもはや人間専用ではない。
公共の都市空間における短距離移動のためのAIによって実現されるマイクロモビリティは、将来の交通システムにおいて重要な要素である。
本稿では,AI駆動型都市マイクロモビリティ研究のための構成シミュレーションプラットフォームであるMetaUrbanを紹介する。
論文 参考訳（メタデータ） (2024-07-11T17:56:49Z) - Tracking Urbanization in Developing Regions with Remote Sensing
Spatial-Temporal Super-Resolution [82.50301442891602]
本稿では,高分解能画像と高分解能画像の時系列を併用したパイプラインを提案する。
提案手法は, 単一画像超解像を用いたベースラインと比較して, 大幅な改善を実現している。
論文 参考訳（メタデータ） (2022-04-04T17:21:20Z)
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。