論文の概要: Vector Map as Language: Toward Unified Remote Sensing Vector Mapping

• arxiv url: http://arxiv.org/abs/2606.10701v1
• Date: Tue, 09 Jun 2026 11:02:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-10 15:40:58.457925
• Title: Vector Map as Language: Toward Unified Remote Sensing Vector Mapping
• Title（参考訳）: 言語としてのベクトルマップ:統合されたリモートセンシングベクトルマッピングを目指して
• Authors: Yinglong Yan, Yunkai Yang, Haoyi Wang, Wei Fu, Linshan Wu, Honghu Pan, Shaobo Xia, Shanghang Zhang, Hao Chen, Leyuan Fang,
• Abstract要約: 本稿では,多クラスベクトルマッピングを構造化テキスト生成として再構成する統一パラダイムであるベクトルマップ・アズ・ラング(VecLang)を提案する。 VecLangは、異なる地理空間エンティティの共通要素をGeoJSONのようなベクトル言語にエンコードする。 本稿では,VecLangが単一クラスと多クラスベクトルマッピングの両方を処理し,強力なクロスデータセットとオープン語彙の一般化を実現していることを示す。
• 参考スコア（独自算出の注目度）: 52.15388144187478
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Remote sensing vector mapping aims to generate structured maps of geospatial entities, such as buildings, roads, and water bodies, from remote sensing imagery. In practice, vector maps usually contain multiple category layers and heterogeneous entity structures, requiring a unified model for diverse mapping needs. However, existing methods typically represent vector objects as polygons or graphs, making them suitable only for specific categories: polygons poorly capture topological relations, while graphs often blur instance boundaries. We observe that language, as a natural medium for human communication, offers a flexible and expressive representation that can accommodate heterogeneous map elements, including geometry, semantics, and topolog. Motivated by this insight, we propose Vector Map as Language (VecLang), a unified paradigm that reformulates multiclass vector mapping as structured text generation. VecLang encodes the common elements of different geospatial entities into a GeoJSON-like vector language, enabling cross-category modeling within a shared textual format. To generate this language reliably, we design a progressive vision-language mapping framework that first localizes vectorization units and then generates structured map elements. We further introduce Hierarchical Vector Language Optimization, which uses reinforcement learning to improve syntax validity, content fidelity, and map executability. We also build VecMap-Bench with 54K images and 800K instances, supporting training and evaluation across standard and generalization settings. Extensive experiments demonstrate that VecLang handles both single-class and multiclass vector mapping while achieving strong cross-dataset and open-vocabulary generalization. The model and dataset are publicly available at https://github.com/yyyyll0ss/VecLang.
• Abstract（参考訳）: リモートセンシングベクターマッピングは、リモートセンシング画像から建物、道路、水域などの地理空間実体の構造地図を生成することを目的としている。 実際には、ベクトル写像は通常、複数の圏層と異質な実体構造を含み、多様な写像のニーズに対して統一されたモデルを必要とする。 しかし、既存のメソッドは一般にベクトルオブジェクトをポリゴンやグラフとして表現し、特定のカテゴリにのみ適合する: ポリゴンはトポロジカルな関係をよく捉えないが、グラフはしばしばインスタンスの境界を曖昧にする。 我々は、この言語が人間のコミュニケーションの自然な媒介として、幾何学、意味論、トポログを含む異種地図要素に対応可能なフレキシブルで表現豊かな表現を提供する。 この知見により,多クラスベクトルマッピングを構造化テキスト生成として再構成する統一パラダイムであるベクトルマップ・アズ・ラング(VecLang)を提案する。 VecLangは、異なる地理空間エンティティの共通要素をGeoJSONのようなベクトル言語にエンコードし、共有テキストフォーマット内のクロスカテゴリモデリングを可能にする。 この言語を確実に生成するために,ベクトル化ユニットをまずローカライズし,次に構造化マップ要素を生成するプログレッシブ・ビジョン言語マッピング・フレームワークを設計する。 さらに階層ベクトル言語最適化を導入し、強化学習を用いて文法の妥当性、内容の忠実性、マップ実行性を改善する。 54Kイメージと800Kインスタンスを備えたVecMap-Benchも構築しています。 大規模な実験により、VecLangは強力なクロスデータセットとオープンボキャブラリの一般化を実現しつつ、シングルクラスとマルチクラスのベクトルマッピングの両方を扱うことを示した。 モデルとデータセットはhttps://github.com/yyyll0ss/VecLangで公開されている。

関連論文リスト

• UniVector: Unified Vector Extraction via Instance-Geometry Interaction [28.129438331953452]
  Uniは単一のモデル内で複数のベクトルタイプを抽出するためにインスタンス幾何学的相互作用を利用する統一VEフレームワークである。 Uniは、ベクトルをインスタンスレベルの情報と幾何学レベルの情報の両方を含む構造化クエリとしてエンコードし、相互レベルのコンテキスト交換のための対話モジュールを通じて繰り返し更新する。
  論文  参考訳（メタデータ） (2025-10-15T07:39:25Z)
• MGMapNet: Multi-Granularity Representation Learning for End-to-End Vectorized HD Map Construction [75.93907511203317]
  多粒性表現を持つ地図要素をモデル化するためのMGMapNet(Multi-Granularity Map Network)を提案する。 提案したMGMapNetは最先端のパフォーマンスを達成し,MapTRv2 を nuScenes で 5.3 mAP,Argoverse2 で 4.4 mAP で上回った。
  論文  参考訳（メタデータ） (2024-10-10T09:05:23Z)
• BEVBert: Multimodal Map Pre-training for Language-guided Navigation [75.23388288113817]
  視覚・言語ナビゲーション(VLN)における空間認識型マップベース事前学習パラダイムを提案する。 我々は,グローバルなトポロジカルマップにおけるナビゲーション依存性をモデル化しながら,不完全な観測を明示的に集約し,重複を取り除くための局所距離マップを構築した。 ハイブリッドマップをベースとして,マルチモーダルマップ表現を学習するための事前学習フレームワークを考案し,空間認識型クロスモーダル推論を強化し,言語誘導ナビゲーションの目標を導出する。
  論文  参考訳（メタデータ） (2022-12-08T16:27:54Z)
• Primitive Graph Learning for Unified Vector Mapping [14.20286798139897]
  GraphMapperは、衛星画像からエンドツーエンドのベクトルマップを抽出するための統合フレームワークである。 ベクトル形状予測,正規化,トポロジー再構成を独自の原始グラフ学習問題に変換する。 提案手法は,両タスクをベンチマークで8～10%向上させる。
  論文  参考訳（メタデータ） (2022-06-28T12:33:18Z)
• VectorMapNet: End-to-end Vectorized HD Map Learning [18.451587680552464]
  本稿では,VectorMapNetと呼ばれるエンドツーエンドのベクトル化HDマップ学習パイプラインを紹介する。 このパイプラインは、地図要素間の空間的関係を明示的にモデル化し、下流の自律運転タスクに相応しいベクトル化されたマップを生成することができる。 VectorMapNetはnuScenesとArgo2データセットの両方で強力なマップ学習性能を実現する。
  論文  参考訳（メタデータ） (2022-06-17T17:57:13Z)
• SemAffiNet: Semantic-Affine Transformation for Point Cloud Segmentation [94.11915008006483]
  ポイントクラウドセマンティックセグメンテーションのためのSemAffiNetを提案する。 我々はScanNetV2とNYUv2データセットについて広範な実験を行った。
  論文  参考訳（メタデータ） (2022-05-26T17:00:23Z)
• CoordGAN: Self-Supervised Dense Correspondences Emerge from GANs [129.51129173514502]
  本稿では,各生成画像の高密度対応マップを学習する構造テクスチャ不整合GANであるCoordinate GAN(CoordGAN)を紹介する。 提案するジェネレータは,既存手法に比べて構造とテクスチャの絡み合いが良くなることを示す。
  論文  参考訳（メタデータ） (2022-03-30T17:55:09Z)
• Exploring the Hierarchy in Relation Labels for Scene Graph Generation [75.88758055269948]
  提案手法は,Recall@50において,複数の最先端ベースラインを大きなマージン(最大33%の相対利得)で改善することができる。 実験により,提案手法により,最先端のベースラインを大きなマージンで改善できることが示された。
  論文  参考訳（メタデータ） (2020-09-12T17:36:53Z)

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。