論文の概要: GeoISF: Instance Semantic Forest Inspired Large-Scale Cross-View Geo-Localization via Ground LiDAR-to-Satellite Image
- arxiv url: http://arxiv.org/abs/2606.28371v1
- Date: Wed, 17 Jun 2026 02:17:02 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-05 17:01:29.600686
- Title: GeoISF: Instance Semantic Forest Inspired Large-Scale Cross-View Geo-Localization via Ground LiDAR-to-Satellite Image
- Title（参考訳）: GeoISF: 地上LiDAR-衛星画像による大規模クロスビュー地形化にインスパイアされたセマンティックフォレスト
- Abstract要約: 本稿ではGeoISFと呼ばれる大規模LiDAR-to-imageジオローカライゼーションパイプラインを紹介する。
環境意味表現を共有媒体として活用することにより、GeoISFはモダリティギャップを効果的にブリッジし、セマンティックマッチング精度を向上させる。
- 参考スコア（独自算出の注目度）: 15.591523786591575
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The problem of localization on a large-scale satellite image given a frame of query ground view point clouds remains challenging. Existing LiDAR-to-image cross-view localization methods struggle in large-scale scenarios due to limited semantic alignment and the modality gap between point clouds and satellite images. This paper introduces the large-scale LiDAR-to-image geo-localization pipeline called GeoISF. GeoISF introduces an instance semantic forest constructed using WordNet, which enhances temporal semantic representation and discriminative power by integrating semantic trees from multiple frames. By leveraging environmental semantic representation as a shared medium, GeoISF effectively bridges the modality gap and improves semantic matching accuracy. Extensive experiments demonstrate the superior performance of GeoISF in large-scale cross-view localization, 13.22 times better than the parallel LiDAR-to-image method in the R@10 metric on the KITTI dataset. The proposed method addresses the existing gap in large-scale LiDAR-to-image cross-view localization, offering a robust solution to the computational and accuracy challenges inherent in such scenarios. We will release the code as an open-source resource available online for the broader research community.
- Abstract（参考訳）: クェリグラウンドビューポイント雲のフレームが与えられた大規模衛星画像上でのローカライゼーションの問題はいまだに困難なままである。
既存のLiDAR-to-imageクロスビューローカライゼーション手法は, セマンティックアライメントの制限や, 点雲と衛星画像のモダリティギャップなどにより, 大規模シナリオに苦慮している。
本稿ではGeoISFと呼ばれる大規模LiDAR-to-imageジオローカライゼーションパイプラインを紹介する。
GeoISFは、WordNetを使って構築されたインスタンスセマンティックフォレストを導入し、複数のフレームからセマンティックツリーを統合することで、時間セマンティック表現と識別力を高める。
環境意味表現を共有媒体として活用することにより、GeoISFはモダリティギャップを効果的にブリッジし、セマンティックマッチング精度を向上させる。
大規模なクロスビューローカライゼーションにおけるGeoISFの性能は、KITTIデータセット上のR@10の並列LiDAR-to-image法よりも13.22倍向上した。
提案手法は,大規模LiDAR-to-imageクロスビューローカライゼーションにおける既存のギャップに対処し,そのようなシナリオに固有の計算および精度の課題に対する堅牢な解決策を提供する。
より広範な研究コミュニティのために、オンラインで利用可能なオープンソースリソースとして、コードを公開します。
関連論文リスト
- BGG: Bridging the Geometric Gap between Cross-View images by Vision Foundation Model Adaptation for Geo-Localization [50.74663742490919]
Cross-View Geo-Localization (CVGL) は画像検索により画像の位置を求める。
本稿では,視覚基礎モデル(VFM)に基づく画像間の幾何学的ギャップをブリッジするパラメータ効率の枠組みを提案する。
主にMFEA(Multi-granularity Feature Enhancement Adapter)と周波数対応構造アグリゲーション(FASA)モジュールを含んでいる。
論文 参考訳（メタデータ） (2026-05-11T10:46:33Z) - HierLoc: Hyperbolic Entity Embeddings for Hierarchical Visual Geolocation [12.392226207474662]
画像と画像の検索を,ハイパーボリック空間に埋め込まれた地理的エンティティのコンパクトな階層構造に置き換える。
画像は、土地、地域、小地域、都市と直接的に一致し、地理的に重み付けられた双曲的学習を通して、対照的な目的にハーシン距離を直接組み込む。
文献の現在の方法と比較すると、平均測地誤差を19.5%削減し、細粒度のサブリージョン精度を43%改善している。
論文 参考訳（メタデータ） (2026-01-30T15:16:07Z) - Object Detection as an Optional Basis: A Graph Matching Network for Cross-View UAV Localization [17.908597896653045]
本稿では,対象物検出によるマップマッチングを行うUAVローカライゼーションフレームワークを提案する。
典型的なパイプラインでは、UAVの視覚的ローカライゼーションは画像検索の問題として定式化されている。
本手法は, グラフベースノード類似度測定法を用いて, 高精度な検索とローカライズ性能を実現する。
論文 参考訳（メタデータ） (2025-11-04T11:25:31Z) - GLEAM: Learning to Match and Explain in Cross-View Geo-Localization [66.11208984986813]
CVGL(Cross-View Geo-Localization)は、同じ地理的位置の異なる視点から撮影された画像間の対応を識別することに焦点を当てている。
GLEAM-Cは、UAV画像、ストリートマップ、パノラマ画像、地上写真を含む複数のビューとモダリティを衛星画像のみに合わせる基本CVGLモデルである。
従来のCVGL手法では解釈可能性の欠如に対処するため,クロスビュー対応予測と説明可能な推論を組み合わせたGLEAM-Xを提案する。
論文 参考訳（メタデータ） (2025-09-09T07:14:31Z) - GeoDistill: Geometry-Guided Self-Distillation for Weakly Supervised Cross-View Localization [70.65458151146767]
クロスビューのローカライゼーションは、自律ナビゲーションや拡張現実のような大規模な屋外アプリケーションにとって不可欠である。
既存の手法は、しばしば完全に教師付き学習に依存している。
本研究では,FoV(Field-of-View)ベースのマスキングを用いた教師学習フレームワークGeoDistillを提案する。
論文 参考訳（メタデータ） (2025-07-15T03:00:15Z) - LocDiff: Identifying Locations on Earth by Diffusing in the Hilbert Space [20.664043071378273]
LocDiffは、マルチスケールな位置符号化空間において遅延拡散を行う最初の画像ジオローカライズモデルである。
LocDiffは、5つの挑戦的なグローバルな画像ジオローカライゼーションデータセットにおいて、最先端のグリッドベース、検索ベース、拡散ベースラインを上回ります。
論文 参考訳（メタデータ） (2025-03-23T17:15:26Z) - Cross-View Geo-Localization with Street-View and VHR Satellite Imagery in Decentrality Settings [39.252555758596706]
Cross-View Geo-Localizationは、ストリートビュークエリ画像とジオタグ付き空中ビュー参照画像とを一致させる。
分散性はより深い調査を保証する重要な要因であり、より大規模な分散性は局所化効率を大幅に改善できるが、局所化精度の低下のコストがかかる。
DReSSは、広い地理的範囲と多様な景観を持つクロスビューなジオローカライゼーションを評価するために設計された、新しいデータセットである。
論文 参考訳（メタデータ） (2024-12-16T08:07:53Z) - 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) - GeoCLIP: Clip-Inspired Alignment between Locations and Images for
Effective Worldwide Geo-localization [61.10806364001535]
世界規模のジオローカライゼーションは、地球上のどこでも撮影された画像の正確な位置を特定することを目的としている。
既存のアプローチは、地球を離散的な地理的細胞に分割し、問題を分類タスクに変換する。
画像と対応するGPS位置のアライメントを強制する新しいCLIPにインスパイアされた画像-GPS検索手法であるGeoCLIPを提案する。
論文 参考訳（メタデータ） (2023-09-27T20:54:56Z) - Accurate 3-DoF Camera Geo-Localization via Ground-to-Satellite Image
Matching [102.39635336450262]
地上で取得したクエリ画像とジオタグ付き衛星画像の大規模データベースとをマッチングすることにより、地上から衛星画像のジオローカライズの問題に対処する。
我々の新しい手法は、衛星画像のピクセルサイズの精度まで、クエリー画像のきめ細かい位置を達成できる。
論文 参考訳（メタデータ） (2022-03-26T20:10:38Z) - City-wide Street-to-Satellite Image Geolocalization of a Mobile Ground
Agent [38.140216125792755]
クロスビュー画像のジオローカライゼーションは、GPSを必要とせずに、局地画像とオーバーヘッド衛星画像とをマッチングすることにより、エージェントのグローバルな位置を推定する。
我々のアプローチはワイド・エリア・ジオローカライゼーション (WAG) と呼ばれ、ニューラルネットワークと粒子フィルタを組み合わせることで、GPSを付加した環境で移動するエージェントのグローバルな位置推定を実現している。
WAGは、20mの順序で位置推定精度を達成し、ベースライントレーニングと重み付けのアプローチと比較して98%の削減を実現した。
論文 参考訳（メタデータ） (2022-03-10T19:54:12Z)
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。