論文の概要: MAPS: Multi-Anchor Projection Similarity for Joint Vision-Language Geo-Localization
- arxiv url: http://arxiv.org/abs/2606.22543v1
- Date: Sun, 21 Jun 2026 15:01:53 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-26 21:36:44.254802
- Title: MAPS: Multi-Anchor Projection Similarity for Joint Vision-Language Geo-Localization
- Title（参考訳）: MAPS:ジョイントビジョンランゲージジオローカライゼーションのためのマルチアンカー投影類似性
- Authors: Yutong Hu, Siyuan Tan, Shaocheng Yan, Pengcheng Shi, Qingwu Hu, Jiayuan Li,
- Abstract要約: マルチアンカー幾何アライメント問題として,共同画像テキストクエリを用いた視覚言語ジオローカライゼーションを定式化する。
MAPS(Multi-Anchor Projection similarity)は、この平面上の対象特徴の投影長による類似度を測定する。
提案するフレームワーク, 類似度測定, および訓練対象は, 視覚言語による地理的ローカライゼーションにおいて, 最先端の性能を両立させる。
- 参考スコア（独自算出の注目度）: 14.254687625765547
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Humans localize places by integrating perceptual cues from vision with semantic reasoning from language, forming a scene understanding that is both intuitive and structured. Although existing geo-localization models have made substantial progress in cross-view and cross-modal settings, they are largely built upon point-to-point alignment, which is insufficient for joint vision-language queries. In such queries, visual and textual cues do not simply act as independent references, but jointly define a semantic subspace for locating the target. In this paper, we formulate vision-language geo-localization (VLGL) with joint image-text queries as a multi-anchor geometric alignment problem and propose a unified framework for this setting. To realize this formulation, we propose Multi-Anchor Projection Similarity (MAPS), a new metric which constructs an anchor plane from visual and textual query features in a high-dimensional space and measures similarity by the projection length of the target feature onto this plane. Unlike cosine similarity which evaluates isolated pairwise relations, MAPS captures the geometric consistency between the target feature and the joint query subspace, providing a more discriminative ranking criterion during retrieval. To make the learned representation consistent with this geometry, we further introduce a MAPS-based contrastive loss that drives target features toward the corresponding anchor plane. The proposed framework, similarity metric, and training objective jointly yield state-of-the-art performance in VLGL.
- Abstract（参考訳）: 人間は視覚からの知覚的手がかりを言語からの意味論的推論と統合し、直感的かつ構造化されたシーン理解を形成することで、場所をローカライズする。
既存のジオローカライゼーションモデルは、クロスビューやクロスモーダルな設定で大幅に進歩しているが、それらは主にポイント・ツー・ポイントアライメントに基づいて構築されており、共同視覚言語クエリでは不十分である。
このようなクエリでは、視覚的およびテキスト的キューは単に独立した参照として振る舞うのではなく、ターゲットを特定するための意味的な部分空間を共同で定義する。
本稿では,マルチアンカー幾何アライメント問題として,共同画像テキストクエリを用いた視覚言語ジオローカライズ(VLGL)を定式化し,この設定のための統一フレームワークを提案する。
この定式化を実現するために,多アンカー射影類似度(MAPS)を提案する。これは,高次元空間における視覚的およびテキスト的クエリ特徴からアンカー平面を構築し,対象特徴の投影長によって類似度を測定する新しい指標である。
孤立したペア関係を評価するコサイン類似性とは異なり、MAPSはターゲット特徴と結合クエリ部分空間の間の幾何的整合性を捉え、検索中により識別的なランキング基準を提供する。
学習した表現をこの幾何学と整合させるため,MAPSに基づくコントラスト損失を導入し,対象特徴を対応するアンカー面に向けて駆動する。
提案するフレームワーク,類似度測定,および学習目標が,VLGLの最先端性能を両立させる。
関連論文リスト
- G2IA: Geometry-Guided Instance-Aware Retrieval and Refinement for Cross-Modal Place Recognition [24.541278686912616]
クロスモーダル位置認識(CMPR)により、カメラのみのロボットは、自律的なナビゲーションシナリオにおいて、事前に構築されたLiDARマップに対してローカライズすることができる。
このイメージ・ツー・ポイント・クラウド・セッティングは、2つのあいまいさ、すなわち視点RGBの外観とスパースメトリ幾何の間のモダリティギャップによって挑戦される。
画像から点までの位置認識のための幾何学誘導型インスタンス認識フレームワークであるG2IAを提案する。
論文 参考訳（メタデータ） (2026-06-13T12:53:52Z) - What They Saw, Not Just Where They Looked: Semantic Scanpath Similarity via VLMs and NLP metric [50.699179933343686]
視覚言語モデルと視線追跡分析を統合した意味的スキャンパス類似性フレームワークを提案する。
意味的類似性は、埋め込みベースおよび語彙的NLPメトリクスを使用して計算される。
自由視眼球追跡データの実験では、意味的類似性は幾何学的アライメントから部分的に独立なばらつきを捉えていることが示されている。
論文 参考訳（メタデータ） (2026-04-09T17:36:22Z) - Thinking with Geometry: Active Geometry Integration for Spatial Reasoning [68.59084007360615]
我々は,能動的知覚にパラダイム・パッシブ・フュージョンをシフトさせるフレームワークであるGeoThinkerを提案する。
特徴混合の代わりに、GeoThinkerはモデルが内部の推論要求に応じて条件付けられた幾何学的証拠を選択的に検索することを可能にする。
その結果,次世代の空間知能には,空間構造を積極的に統合する能力が不可欠であることが示唆された。
論文 参考訳（メタデータ） (2026-02-05T18:59:32Z) - TangramPuzzle: Evaluating Multimodal Large Language Models with Compositional Spatial Reasoning [104.66714520975837]
古典的タングラムゲームのレンズを通して構成空間推論を評価するために,幾何グラウンドのベンチマークを導入する。
本稿では,タングラム集合を正確に機械で検証可能な座標仕様でグルーピングする記号幾何学的枠組みであるタングラム構成式(TCE)を提案する。
MLLMは、幾何学的制約を無視しながら、ターゲットのシルエットとのマッチングを優先する傾向がある。
論文 参考訳（メタデータ） (2026-01-23T07:35:05Z) - Seeing the Unseen: Mask-Driven Positional Encoding and Strip-Convolution Context Modeling for Cross-View Object Geo-Localization [8.559240391514063]
クロスビューオブジェクトジオローカライゼーションは、クロスビューマッチングによる高精度オブジェクトローカライゼーションを可能にする。
既存の手法はキーポイントに基づく位置符号化に依存しており、オブジェクトの形状情報を無視しながら2次元座標のみをキャプチャする。
空間座標と物体シルエットの両方を捕捉するために分割マスクを利用するマスクベースの位置符号化方式を提案する。
EDGeoは、堅牢なクロスビューオブジェクトジオローカライズのためのエンドツーエンドフレームワークである。
論文 参考訳（メタデータ） (2025-10-23T06:07:07Z) - SegMASt3R: Geometry Grounded Segment Matching [23.257530861472656]
我々は3次元基礎モデルの空間的理解を活用して,広義のセグメントマッチングに取り組む。
本稿では,これら3次元基礎モデルの帰納バイアスを利用して,最大180度の視点変化回転で画像対間のセグメントをマッチングするアーキテクチャを提案する。
論文 参考訳（メタデータ） (2025-10-06T17:31:32Z) - Anchor-free Cross-view Object Geo-localization with Gaussian Position Encoding and Cross-view Association [3.5982006325887554]
AFGeo と呼ばれるクロスビューオブジェクトのジオローカライゼーションのためのアンカーフリーな定式化を提案する。
AFGeoは、事前に定義されたアンカーを使わずにオブジェクトをローカライズする各ピクセルに対して、4つの方向のオフセットをグラウンドトルースボックスに直接予測する。
我々のモデルは軽量かつ効率的であり、ベンチマークデータセット上で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-09-30T00:30:45Z) - Mind-the-Glitch: Visual Correspondence for Detecting Inconsistencies in Subject-Driven Generation [120.23172120151821]
本稿では,事前学習した拡散モデルのバックボーンから視覚的特徴と意味的特徴を分離するための新しいアプローチを提案する。
注釈付きセマンティックと視覚対応を備えた画像ペアを構築する自動パイプラインを導入する。
被験者駆動画像生成における視覚的不整合を定量化する新しい指標であるビジュアルセマンティックマッチングを提案する。
論文 参考訳（メタデータ） (2025-09-26T07:11:55Z) - Generalized Decoupled Learning for Enhancing Open-Vocabulary Dense Perception [71.26728044621458]
DeCLIPは、CLIPを強化する新しいフレームワークで、自己認識モジュールを分離して、それぞれコンテンツ’と“コンテキスト’の機能を取得する。
2D検出とセグメンテーション、3Dインスタンスのセグメンテーション、ビデオインスタンスのセグメンテーション、6Dオブジェクトのポーズ推定など、幅広いタスクにわたる最先端のパフォーマンスを一貫して達成する。
論文 参考訳（メタデータ） (2025-08-15T06:43:51Z)
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。