論文の概要: A Unified Benchmark and Modality-Adaptive Network for Day-and-Night Drone-View Geo-Localization

• arxiv url: http://arxiv.org/abs/2607.25778v1
• Date: Tue, 28 Jul 2026 14:34:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.868358
• Title: A Unified Benchmark and Modality-Adaptive Network for Day-and-Night Drone-View Geo-Localization
• Title（参考訳）: 日夜ドローンのジオローカライゼーションのための統一ベンチマークとモダリティ適応ネットワーク
• Abstract要約: 既存のドローンビュージオローカライゼーション(DVGL)ベンチマークには、単一の照明条件下で撮影されたドローン画像が含まれている。 実世界のDVGLベンチマークIRCHNを構築し、様々な照明条件をまたいでローカライズする。 照明条件の異なるDVGLフレームワークであるMASTR-Netを提案する。
• 参考スコア（独自算出の注目度）: 3.4776212173706647
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Most existing drone-view geo-localization (DVGL) benchmarks contain drone imagery captured under a single illumination condition and lack geographically aligned visible drone images, infrared drone images, and satellite images from the same locations. To evaluate the generalization capability of DVGL methods under challenging illumination conditions, some methods train models on a visible benchmark and test them on an independent infrared benchmark. This protocol essentially constitutes transfer between datasets, which makes it difficult to systematically evaluate DVGL across daytime and nighttime conditions within a unified benchmark. To address this limitation, we construct IRCHN,a real-world DVGL benchmark designed for localization across different illumination conditions. IRCHN contains 26,460 images collected from 8,820 geographic locations across four representative scene categories, including farmland, coastline, forest, and urban areas. Each location provides one visible drone image, one infrared drone image, and one corresponding satellite image, which enables unified evaluation of DVGL methods across different illumination conditions and sensing modalities. We further propose the Modality-Adaptive State-Space Transport Relation Network (MASTR-Net), a DVGL framework tailored to localization under varying illumination conditions. MASTR-Net integrates modality-adaptive feature enhancement, bidirectional selective state-space relation modeling, and soft optimal transport relation alignment to jointly reduce modality gaps and view-induced structural discrepancies. Extensive experiments demonstrate that MASTR-Net outperforms existing state-of-the-art methods on IRCHN for localization under varying illumination conditions and achieves competitive performance on two infrared benchmarks, IR-VL328 and CVGL-RGBT. Code: https://github.com/SongtianhaoXu/MASTR-Net
• Abstract（参考訳）: 既存のドローンビュージオローカライゼーション(DVGL)ベンチマークには、単一の照明条件下で撮影されたドローン画像が含まれており、地理的に整列したドローン画像、赤外線ドローン画像、同じ場所からの衛星画像がない。 難解な照明条件下でのDVGL法の一般化能力を評価するために、いくつかの手法は可視性ベンチマークでモデルを訓練し、それらを独立した赤外線ベンチマークでテストする。 このプロトコルは基本的にデータセット間の転送を構成しており、統合されたベンチマーク内で、昼間と夜間の条件でDVGLを体系的に評価することは困難である。 この制限に対処するため、異なる照明条件にまたがるローカライゼーションのために設計された実世界のDVGLベンチマークIRCHNを構築した。 IRCHNは、農地、海岸線、森林、都市部を含む4つの代表的なシーンカテゴリにわたる8,820の地理的位置から収集された26,460枚の画像を含んでいる。 それぞれの場所は、1つの可視ドローン画像、1つの赤外線ドローン画像、1つの対応する衛星画像を提供し、異なる照明条件をまたいだDVGL手法の統一評価とセンシングのモダリティを可能にする。 さらに,様々な照明条件下での局所化に適したDVGLフレームワークであるMASTR-Netを提案する。 MASTR-Netは、モダリティ適応機能強化、双方向選択状態空間関係モデリング、およびソフトな最適輸送関係アライメントを統合し、モダリティギャップとビューによる構造的不一致を両立させる。 広汎な実験により、MASTR-NetはIRCHNの既存の最先端手法よりも、様々な照明条件下でのローカライゼーションに優れており、IR-VL328とCVGL-RGBTの2つの赤外線ベンチマーク上での競合性能を実現している。 コード:https://github.com/SongtianhaoXu/MASTR-Net

関連論文リスト

• LLM-Empowered Multimodal Fusion Framework for Autonomous Driving: Semantic Enhancement and Channel-Adaptive Design [56.76240343283953]
  本稿では,大規模言語モデル中心のセマンティック・レイヤ・チャネル・アウェア・インテグレート・パーセプション・フレームワークを提案する。 ローカルな視覚ストリームと、知覚盲点をカバーするために使用される品質の変化した外部レーダーストリームを融合させる。 nuScenesとVIRATの実験は、我々のアプローチを検証する。
  論文  参考訳（メタデータ） (2026-07-02T06:44:02Z)
• Road Maps as Free Geometric Priors: Weather-Invariant Drone Geo-Localization with GeoFuse [20.496826407313854]
  ドローンビューのジオローカライゼーションは、しばしば悪天候下で撮影されたクエリードローン画像と、ジオタグ付き衛星画像のギャラリーとをマッチングすることを目的としている。 気象によって引き起こされるドローンの視界の劣化は、本質的なクロスビュー領域のギャップを著しく悪化させる。 衛星画像と正確に整列した道路地図タイルを統合したクロスモーダル融合フレームワークであるGeoFuseを紹介する。
  論文  参考訳（メタデータ） (2026-05-14T15:01:22Z)
• RGBT-Ground Benchmark: Visual Grounding Beyond RGB in Complex Real-World Scenarios [37.32297511767527]
  RGBT-Groundは、複雑な実世界のシナリオ向けに構築された最初の大規模ビジュアルグラウンドベンチマークである。 空間的に整列したRGBと熱赤外(TIR)画像対と、高品質な参照表現、対応するオブジェクト境界ボックス、シーン、環境、オブジェクトレベルの細かいアノテーションから構成される。 このベンチマークは、総合的な評価を可能にし、多様で挑戦的な条件下での堅牢な接地の研究を容易にする。
  論文  参考訳（メタデータ） (2025-12-31T02:01:02Z)
• 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)
• NOVA: Navigation via Object-Centric Visual Autonomy for High-Speed Target Tracking in Unstructured GPS-Denied Environments [56.35569661650558]
  我々はNOVAというオブジェクト中心のフレームワークを導入し、ロバストな目標追跡と衝突認識ナビゲーションを可能にした。 グローバルマップを構築するのではなく、NOVAはターゲットの参照フレーム内での知覚、推定、制御を定式化する。 我々は,都市迷路や森林の小道,間欠的なGPS損失を伴う建物内の繰り返し遷移など,現実の挑戦的なシナリオにまたがってNOVAを検証する。
  論文  参考訳（メタデータ） (2025-06-23T14:28:30Z)
• EarthMapper: Visual Autoregressive Models for Controllable Bidirectional Satellite-Map Translation [50.433911327489554]
  制御可能な衛星マップ翻訳のための新しいフレームワークであるEarthMapperを紹介する。 また,中国38都市を対象とした302,132組の衛星マップからなる大規模データセットであるCNSatMapをコントリビュートした。 CNSatMapとNew Yorkデータセットの実験は、EarthMapperの優れたパフォーマンスを実証している。
  論文  参考訳（メタデータ） (2025-04-28T02:41:12Z)
• Video-based Traffic Light Recognition by Rockchip RV1126 for Autonomous Driving [19.468567166834585]
  リアルタイムの交通信号認識は、都市環境における自動運転の安全性とナビゲーションに不可欠である。 我々は、複数の連続するフレームを処理し、堅牢なトラフィック光検出と状態分類を実現する、ビデオベースの新しいエンドツーエンドニューラルネットワークであるtextitViTLRを提案する。 我々は、自走運転用HDマップを用いて、TextitViTLRをエゴレーン交通信号認識システムに統合することに成功している。
  論文  参考訳（メタデータ） (2025-03-31T11:27:48Z)
• Style Alignment based Dynamic Observation Method for UAV-View Geo-localization [7.185123213523453]
  UAVビューのジオローカライゼーションのためのスタイルアライメントに基づく動的観察法を提案する。 具体的には、ドローンビュー画像の多様な視覚スタイルから衛星画像の統一的な視覚スタイルへ変換するスタイルアライメント戦略を導入する。 動的観察モジュールは、人間の観察習慣を模倣して画像の空間分布を評価するように設計されている。
  論文  参考訳（メタデータ） (2024-07-03T06:19:42Z)
• Cross-View Visual Geo-Localization for Outdoor Augmented Reality [11.214903134756888]
  地上画像のクロスビューマッチングによる測地位置推定の課題をジオレファレンス衛星画像データベースに解決する。 本稿では,新しいトランスフォーマーニューラルネットワークモデルを提案する。 いくつかのベンチマーク・クロスビュー・ジオローカライズ・データセットの実験により、我々のモデルが最先端の性能を達成することを示す。
  論文  参考訳（メタデータ） (2023-03-28T01:58:03Z)
• Street-View Image Generation from a Bird's-Eye View Layout [95.36869800896335]
  近年,Bird's-Eye View (BEV) の知覚が注目されている。 自動運転のためのデータ駆動シミュレーションは、最近の研究の焦点となっている。 本稿では,現実的かつ空間的に一貫した周辺画像を合成する条件生成モデルであるBEVGenを提案する。
  論文  参考訳（メタデータ） (2023-01-11T18:39:34Z)
• Monocular BEV Perception of Road Scenes via Front-to-Top View Projection [57.19891435386843]
  本稿では,鳥の目視で道路配置と車両占有率によって形成された局所地図を再構築する新しい枠組みを提案する。 我々のモデルは1つのGPU上で25FPSで動作し、リアルタイムパノラマHDマップの再構築に有効である。
  論文  参考訳（メタデータ） (2022-11-15T13:52:41Z)
• Co-visual pattern augmented generative transformer learning for automobile geo-localization [12.449657263683337]
  クロスビュージオローカライゼーション(CVGL)は、地上カメラの地理的位置を、巨大なジオタグ付き空中画像とマッチングすることによって推定することを目的としている。 CVGLのための相互生成型トランスフォーマー学習(MGTL)という,トランスフォーマーと組み合わせたクロスビュー知識生成技術を用いた新しい手法を提案する。
  論文  参考訳（メタデータ） (2022-03-17T07:29:02Z)

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。