論文の概要: Multimodal and Multiscale Spatial-Temporal Semantic Search and Recommendation with AI Foundation Models

• arxiv url: http://arxiv.org/abs/2606.28369v2
• Date: Tue, 30 Jun 2026 19:39:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-05 17:01:29.599287
• Title: Multimodal and Multiscale Spatial-Temporal Semantic Search and Recommendation with AI Foundation Models
• Title（参考訳）: AIファンデーションモデルを用いたマルチモーダル・マルチスケール時空間意味探索と勧告
• Abstract要約: この研究は、Large Language Models(LLM)やVision-Language Models(VLM)など、AI基盤モデルを活用する新しいフレームワークを提示している。 関連するイベントレポートを自動的にリンクすることで、提案フレームワークは、データキュレーターと一般大衆の両方が、環境変化とその局所的な影響についてより深い洞察を得るのに役立つ。 これらの知見は、空間、時間、スケール、セマンティクスといった重要な地理的概念を統合する多面的かつインテリジェントな分析を通じて、地理情報検索(GIR)を進化させるAI基盤モデルの可能性を強調している。
• 参考スコア（独自算出の注目度）: 27.517725318193627
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Semantic search and recommendation of similar documents, such as news and reports about unusual environmental events (e.g., a dead whale washed ashore in Alaska) that contain spatial and temporal information, is a critical task in Geographic Information Retrieval (GIR). This work presents a novel framework that leverages AI foundation models, including Large Language Models (LLMs) and Vision-Language Models (VLMs), to enable effective similarity search and ranking for such event documents. To support this goal, we introduce two new strategies: (1) CAMERA (Context-Aware Multimodal Event Retrieval Algorithm), which fuses textual and visual information to generate richer embeddings than those derived from text alone; and (2) ASTRA (Adaptive Spatial and Temporal Re-ranking Algorithm), which improves similarity ranking by incorporating scale-dependent spatiotemporal relevance alongside semantic similarity. Experimental results, using a dataset from the Local Environmental Observer Network, demonstrate that our VLM-enhanced methods outperform unimodal, LLM-based approaches in similarity ranking effectiveness. By automatically linking relevant event reports, the proposed framework helps both data curators and the general public gain deeper insights into environmental change and its localized impacts. These findings highlight the potential of AI foundation models to advance GIR through multifaceted, intelligent analysis that integrates key geographic concepts: space, time, scale, and semantics.
• Abstract（参考訳）: 地理情報検索(GIR: Geographic Information Retrieval, GIR)において, 空間的および時間的情報を含む異常な環境事象(例えば, アラスカの絶滅したクジラの海浜)に関するニュースや報告など, 類似した文書のセマンティック検索とレコメンデーションが重要課題である。 本研究は,Large Language Models (LLMs) やVision-Language Models (VLMs) など,AI基盤モデルを活用した新たなフレームワークを提案する。 この目標を達成するために,(1)CAMERA(Context-Aware Multimodal Event Retrieval Algorithm)と(2)ASTRA(Adaptive Spatial and Temporal Re- ranking Algorithm)の2つの新しい戦略を導入する。 ローカル環境オブザーバネットワークのデータセットを用いた実験の結果,VLMによる手法は,類似性ランキングの有効性において,非モダル,LCMに基づく手法よりも優れていることが示された。 関連するイベントレポートを自動的にリンクすることで、提案フレームワークは、データキュレーターと一般大衆の両方が、環境の変化とその局所的な影響についてより深い洞察を得るのに役立つ。 これらの発見は、空間、時間、スケール、セマンティクスといった重要な地理的概念を統合する多面的かつインテリジェントな分析を通じて、GIRを前進させるAIファンデーションモデルの可能性を強調している。

関連論文リスト

• Bridging the Agent-World Gap: Text World Models for LLM-based Agents [83.8237017249529]
  大規模言語モデル(LLM)ベースのエージェントは、インタラクティブなテキスト環境においてますます使われている。 多くは反応が強く、これらの環境がどのように構成され、どのように進化するかの明確なモデルなしで、観察を行動にマッピングする。 テキストワールドモデル(TWMs): 状態と候補アクションが与えられたら、結果のWebページ、端末出力、API応答、ユーザ応答を予測する。 LLMをベースとしたエージェントのテキストワールドモデルについて,形式的なフレームワークとエージェントライフサイクルを中心に整理し,体系的にレビューを行った。
  論文  参考訳（メタデータ） (2026-06-08T04:58:52Z)
• IGV-RRT: Prior-Real-Time Observation Fusion for Active Object Search in Changing Environments [10.748685496551067]
  本研究では,不確実性を認識したシーン先行状況とオンライン目標関連度推定を組み合わせた確率的計画手法を提案する。 このフレームワークは、2層セマンティックマッピングモジュールとリアルタイムプランナーを含んでいる。 提案手法は, 対象再配置の影響を効果的に軽減し, 探索効率の向上と成功率の向上を実現する。
  論文  参考訳（メタデータ） (2026-03-23T12:14:26Z)
• EPRBench: A High-Quality Benchmark Dataset for Event Stream Based Visual Place Recognition [54.55914886780534]
  イベントストリームに基づく視覚的位置認識(VPR)は、従来の可視光カメラの不安定性に対して、低照度、過剰露光、高速モーションといった困難な条件下で魅力的な解決策を提供する、新たな研究方向である。 イベントストリームベースのVPR用に特別に設計された高品質なベンチマークであるEPRBenchを紹介する。 EPRBenchは10Kのイベントシーケンスと65Kのイベントフレームで構成され、ハンドヘルドと車載のセットアップを使用して収集され、さまざまな視点、気象条件、照明シナリオで現実世界の課題を包括的にキャプチャする。
  論文  参考訳（メタデータ） (2026-02-13T13:25:05Z)
• Place Recognition Meet Multiple Modalitie: A Comprehensive Review, Current Challenges and Future Directions [2.4775350526606355]
  位置認識の最近の進歩を概観し,3つの方法論的パラダイムを強調した。 CNNベースのアプローチ、トランスフォーマーベースのフレームワーク、およびクロスモーダル戦略について議論する。 我々は現在の研究課題を特定し、ドメイン適応、リアルタイムパフォーマンス、生涯学習を含む今後の方向性を概説し、この領域の今後の進歩を刺激する。
  論文  参考訳（メタデータ） (2025-05-20T08:16:37Z)
• REO-VLM: Transforming VLM to Meet Regression Challenges in Earth Observation [58.91579272882073]
  本稿では,地球観測領域に特有な回帰・生成タスクを統合するために,textbfREO-Instructと呼ばれる新しいベンチマークデータセットを提案する。 我々は,回帰機能を従来の生成関数とシームレスに統合する基盤モデルであるtextbfREO-VLM を開発した。
  論文  参考訳（メタデータ） (2024-12-21T11:17:15Z)
• Advancing Large Language Models for Spatiotemporal and Semantic Association Mining of Similar Environmental Events [10.15184389811683]
  本稿では,Large Language Models(LLMs)を利用した新しい検索検索フレームワークを提案する。 本稿では,空間的近接性,時間的関連性,意味的類似性,カテゴリー的類似性などの多面的基準を分類するGTR(Geo-Time Re- rank)戦略を提案する。 提案手法をローカル環境オブザーバ(LEO)ネットワークイベント4万件のデータセットに適用し,複数の最先端高密度検索モデル間で類似イベントを推奨する性能を実現する。
  論文  参考訳（メタデータ） (2024-11-19T21:57:22Z)
• Swarm Intelligence in Geo-Localization: A Multi-Agent Large Vision-Language Model Collaborative Framework [51.26566634946208]
  smileGeoは、新しい視覚的ジオローカライゼーションフレームワークである。 エージェント間のコミュニケーションによって、SmithGeoはこれらのエージェントの固有の知識と、検索された情報を統合する。 その結果,本手法は現在の最先端手法よりも優れていた。
  論文  参考訳（メタデータ） (2024-08-21T03:31:30Z)
• Temporal and Semantic Evaluation Metrics for Foundation Models in Post-Hoc Analysis of Robotic Sub-tasks [1.8124328823188356]
  本稿では,トラジェクトリデータを時間的境界と自然言語に基づく記述サブタスクに分解するフレームワークを提案する。 我々のフレームワークは、全軌道を構成する低レベルのサブタスクに対して、時間ベースの記述と言語ベースの記述の両方を提供する。 この尺度は2つのサブタスク分解の間の言語記述の時間的アライメントと意味的忠実度を測定する。
  論文  参考訳（メタデータ） (2024-03-25T22:39:20Z)
• Information Screening whilst Exploiting! Multimodal Relation Extraction with Feature Denoising and Multimodal Topic Modeling [96.75821232222201]
  既存のマルチモーダル関係抽出(MRE)研究は、内部情報過剰利用と外部情報過多という2つの共存課題に直面している。 内部情報スクリーニングと外部情報活用を同時に実現する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-19T14:56:57Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)
• Unified Visual Relationship Detection with Vision and Language Models [89.77838890788638]
  この研究は、複数のデータセットからラベル空間の結合を予測する単一の視覚的関係検出器のトレーニングに焦点を当てている。 視覚と言語モデルを活用した統合視覚関係検出のための新しいボトムアップ手法UniVRDを提案する。 人物体間相互作用検出とシーングラフ生成の双方による実験結果から,本モデルの競合性能が示された。
  論文  参考訳（メタデータ） (2023-03-16T00:06:28Z)
• USER: Unified Semantic Enhancement with Momentum Contrast for Image-Text Retrieval [115.28586222748478]
  Image-Text Retrieval (ITR) は、与えられたクエリに意味のあるターゲットインスタンスを、他のモダリティから検索することを目的としている。 既存のアプローチは通常、2つの大きな制限に悩まされる。
  論文  参考訳（メタデータ） (2023-01-17T12:42:58Z)
• Representation-Centric Survey of Skeletal Action Recognition and the ANUBIS Benchmark [43.00059447663327]
  3Dスケルトンに基づく人間の行動認識は、従来のRGBや深さに基づくアプローチの強力な代替手段として登場した。 目覚ましい進歩にもかかわらず、現在の研究は様々な入力表現で断片化されている。 ANUBISは、既存のベンチマークで重要なギャップに対処するために設計された、大規模で挑戦的なスケルトンアクションデータセットである。
  論文  参考訳（メタデータ） (2022-05-04T14:03:43Z)

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。