論文の概要: Are Visual Place Recognition Models Recognizing Places or Conditions? Distractor-Augmented Evaluation and Condition Suppression

• arxiv url: http://arxiv.org/abs/2608.06847v1
• Date: Fri, 07 Aug 2026 06:15:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.376008
• Title: Are Visual Place Recognition Models Recognizing Places or Conditions? Distractor-Augmented Evaluation and Condition Suppression
• Title（参考訳）: 視覚的位置認識モデルは場所や条件を認識するか? ディトラクタによる評価と条件抑制
• Abstract要約: クラウドソーシングされたマップデータベースは、条件を混在させ、条件のクエリに似ているが、異なる場所を描写するイメージを含むことができる。 我々は,VPR手法の識別可能性によって,照明,天気,季節的出現などの情報を記述子にエンコードできるため,この感受性が生じると論じている。 本稿では,ディスラプタの効果を分離・定量化するためにDistractor-Augmented Recallを導入し,VPR記述子から条件情報を除去するための条件抑圧を提案する。
• 参考スコア（独自算出の注目度）: 11.377400037075837
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-term Visual Place Recognition (VPR) is typically evaluated by matching queries from one condition against a database from another. Crowdsourced map databases, however, may mix conditions and include images that resemble the query in condition but depict different places. In the presence of these distractors, a method may retrieve by condition similarity rather than place identity. We argue that this susceptibility arises because the discriminability of VPR methods allows them to encode information such as illumination, weather, and seasonal appearance in their descriptors. We therefore introduce Distractor-Augmented Recall (DAR) to isolate and quantify the effect of distractors, and propose condition suppression to remove condition information from VPR descriptors. Across eleven methods and six datasets, method rankings under DAR@1 differ from those under Recall@1 (R@1), while applying INLP and LEACE as condition suppression methods generally improves DAR@1 without reducing R@1. Thus, distractor robustness is distinct from standard retrieval performance and can be improved by suppressing condition information.
• Abstract（参考訳）: 長期視覚的位置認識(VPR)は、通常、ある条件からのクエリと別の条件からのデータベースとのマッチングによって評価される。 しかし、クラウドソーシングされたマップデータベースは、条件を混在させ、条件のクエリに似ているが異なる場所を描写するイメージを含む可能性がある。 これらの散逸物の存在下では、場所の同一性よりも条件の類似性によって検索することができる。 我々は,VPR手法の識別可能性によって,照明,天気,季節的出現などの情報を記述子にエンコードできるため,この感受性が生じると論じている。 そこで我々は,DAR(Distractor-Augmented Recall)を導入して,インタプリタの効果を分離・定量化し,VPR記述子から条件情報を削除する条件抑圧を提案する。 11のメソッドと6つのデータセットで、DAR@1のメソッドランキングはRecall@1(R@1)とは異なるが、条件抑制メソッドとしてINLPとLEACEを適用すると、R@1を減らさずに一般的にDAR@1を改善する。 これにより、トラクタロバスト性は標準的な検索性能とは区別され、条件情報を抑制することで改善できる。

関連論文リスト

• Breaking Déjà Vu: Independent Auditing of Visual Place Recognition through Vision-Language Reasoning [16.054905457693824]
  視覚的位置認識(VPR)は、ロボット工学アプリケーションにおいて、正確な位置決めと長期の自律ナビゲーションを可能にする重要な手段である。 VLMベースの監査は、最先端の手法に比べて平均13.6%改善している。
  論文  参考訳（メタデータ） (2026-07-14T14:30:24Z)
• DisPlace: Discriminative Place Projections for Multi-Reference Visual Place Recognition [15.33833908429706]
  DisPlaceは、複数の参照記述子を単一のコンパクトで差別的な場所表現に融合する、マルチ参照VPRフレームワークである。 我々は6つの最先端のVPR記述子で、オックスフォード・ロボットカー、ノーザンランド、ピッツバーグ30k、Google Landmarks v2でDisPlaceを評価した。
  論文  参考訳（メタデータ） (2026-05-29T02:54:15Z)
• Causal Algorithmic Recourse: Foundations and Methods [57.73269033551628]
  AIシステムの主な特徴は、個人が否定的な決定を覆す方法のレコメンデーションを提供する能力である。 既存のアプローチでは、recourseの結果を固定単位の反事実として扱う。 我々は、事前および事後結果のプロセスとして、会話をモデル化する因果的枠組みを開発する。
  論文  参考訳（メタデータ） (2026-05-12T00:55:19Z)
• DQE-CIR: Distinctive Query Embeddings through Learnable Attribute Weights and Target Relative Negative Sampling in Composed Image Retrieval [53.482391830683014]
  合成画像検索(CIR)は、参照画像と、意図した変更を特定する修正テキストとを共同で解釈することにより、対象画像を検索するタスクに対処する。 既存のほとんどの手法は、基底の真理像を唯一の正の例として扱い、残りの全ての画像を負の例として扱う対照的な学習フレームワークの上に構築されている。 学習可能な属性重みとターゲットの相対的負サンプリングによるクエリ埋め込みを提案する。
  論文  参考訳（メタデータ） (2026-03-04T13:17:44Z)
• ExposeAnyone: Personalized Audio-to-Expression Diffusion Models Are Robust Zero-Shot Face Forgery Detectors [58.45131932883374]
  ビデオ中のディープフェイクを検出するための完全自己教師型アプローチを提案する。 本モデルでは,拡散再構成誤差を用いて,疑わしい映像とパーソナライズされた被写体との同一性距離を算出する。 本手法は, ボケや圧縮などの汚損に対して極めて堅牢であり, 現実の顔偽造検出への適用性を強調している。
  論文  参考訳（メタデータ） (2026-01-05T18:59:54Z)
• Register assisted aggregation for Visual Place Recognition [4.5476780843439535]
  視覚的場所認識(VPR)とは、コンピュータビジョンを用いて現在のクエリ画像の位置を認識する過程を指す。 従来の手法では、認識精度を向上させるのに役立つ未制御の破棄機能に対して、役に立たない機能を捨てることが多かった。 本稿では,この問題を解決するための特徴集約手法を提案する。具体的には,識別可能な場所情報を含むグローバルな特徴とローカルな特徴を得るために,元の画像トークン上にいくつかのレジスタを追加した。
  論文  参考訳（メタデータ） (2024-05-19T11:36:52Z)
• CPR: Retrieval Augmented Generation for Copyright Protection [101.15323302062562]
  本稿では,著作権保護の強いRAGの新しい手法であるRetrieval(CPR)を用いたCopyProtected生成について紹介する。 CPRは、取得した画像のセットに拡散モデルの出力を条件付けることができる。 CPRは、攻撃者が生成した画像から抽出できる可能性のある情報の量を制限するNear Access Freeness (NAF) を満たすことを証明している。
  論文  参考訳（メタデータ） (2024-03-27T18:09:55Z)
• Distillation-guided Representation Learning for Unconstrained Gait Recognition [50.0533243584942]
  本研究では,屋外シナリオにおける人間認証のためのGADER(GAit Detection and Recognition)フレームワークを提案する。 GADERは、歩行情報を含むフレームのみを使用する新しい歩行認識手法により識別的特徴を構築する。 室内および屋外のデータセットに一貫した改善を示すため,複数の歩行ベースライン(SoTA)について評価を行った。
  論文  参考訳（メタデータ） (2023-07-27T01:53:57Z)
• Self-Trained One-class Classification for Unsupervised Anomaly Detection [56.35424872736276]
  異常検出(AD)は、製造から医療まで、さまざまな分野に応用されている。 本研究は、トレーニングデータ全体がラベル付けされておらず、正規サンプルと異常サンプルの両方を含む可能性のある、教師なしAD問題に焦点を当てる。 この問題に対処するため,データリファインメントによる堅牢な一級分類フレームワークを構築した。 本手法は6.3AUCと12.5AUCの平均精度で最先端の1クラス分類法より優れていることを示す。
  論文  参考訳（メタデータ） (2021-06-11T01:36:08Z)
• Holistic Guidance for Occluded Person Re-Identification [7.662745552551165]
  実世界のビデオ監視アプリケーションでは、人物の再識別(ReID)は、閉塞や検出エラーの影響に悩まされる。 個人識別ラベルにのみ依存するHG(Holistic Guidance)手法を提案する。 提案手法は, 包括的(非包括的)標本と, 包括的(非包括的)標本の包括的(包括的)な距離(DCD)分布を一致させることにより, この問題に対処する。 これに加えて、共同生成-識別的バックボーンは、デノナイジングオートエンコーダで訓練され、システムが制御される。
  論文  参考訳（メタデータ） (2021-04-13T21:50:29Z)
• Semi-supervised lung nodule retrieval [2.055949720959582]
  コンテンツベース画像検索(CBIR)システムは、クエリ画像と類似度でランク付けされた一連の画像を出力する。 データセット要素間の類似性(例えばnodules間の類似性)に関する基礎的な真実は、容易には利用できない。 本研究は,(1)部分ラベル付きデータセットの自動アノテーション,(2)述語アノテーションに基づく意味的類似度距離空間の学習,という2つのステップを含む半教師付きアプローチを提案する。 LIDCデータセットを用いて肺結節検索を行い,予測された評価値から埋め込みを学習することが可能であることを示す。
  論文  参考訳（メタデータ） (2020-05-04T19:26:14Z)

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。