論文の概要: UniGeo: A Multi-modal Large Language Model for Text-Guided Cross-View Geo-Localization
- arxiv url: http://arxiv.org/abs/2608.26722v1
- Date: Thu, 27 Aug 2026 07:13:35 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-28 16:30:58.284701
- Title: UniGeo: A Multi-modal Large Language Model for Text-Guided Cross-View Geo-Localization
- Title（参考訳）: UniGeo: テキストガイド型クロスビュージオローカライゼーションのためのマルチモーダル大言語モデル
- Abstract要約: テキスト誘導型ドローンジオローカライゼーションは、自然言語による説明から、大規模画像ギャラリーでターゲット領域を特定することを目的としている。
テキスト誘導型ドローンジオローカライズのための統合マルチモーダル大言語モデル(MLLM)であるUniGeoを提案する。
- 参考スコア（独自算出の注目度）: 32.10571115517362
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Text-guided drone geo-localization aims to identify a target region in a large-scale image gallery from a natural-language description. Existing methods mainly formulate this task as direct matching between an open-ended text query and candidate images. However, incomplete queries and highly similar candidates often make global cross-modal matching insufficient for reliable fine-grained localization. We propose UniGeo, a unified multimodal large language model (MLLM) for text-guided drone geo-localization. Built on a shared vision-language framework, UniGeo jointly supports geo-semantic understanding, cross-view semantic generation, and candidate-level verification. Specifically, it establishes stable correspondences among local scene elements, spatial relations, and language descriptions through geo-semantic learning, and further models semantic mappings between drone and satellite views through cross-view generation. Based on these capabilities, a plug-and-play verification module performs fine-grained discrimination among highly confusable candidates. We further introduce a multi-stage training strategy that progressively learns geo-semantic understanding, cross-view generation, and candidate verification, improving adaptation to text-guided geo-localization. Experiments demonstrate consistent improvements across multiple retrieval backbones. On GeoText-1652, UniGeo improves R@10 and mAP by 13.59 and 2.83 percentage points, respectively, validating its effectiveness for fine-grained text-guided drone geo-localization.
- Abstract（参考訳）: テキスト誘導型ドローンジオローカライゼーションは、自然言語による説明から、大規模画像ギャラリーでターゲット領域を特定することを目的としている。
既存の手法は主に、オープンエンドテキストクエリと候補画像との直接マッチングとしてこのタスクを定式化する。
しかし、不完全クエリや非常に類似した候補は、信頼性の高い微粒化のためにグローバルなクロスモーダルマッチングを不十分にすることが多い。
テキスト誘導型ドローンジオローカライズのための統合マルチモーダル大言語モデル(MLLM)であるUniGeoを提案する。
UniGeoは、共通ビジョン言語フレームワーク上に構築され、ジオセマンティック理解、クロスビューセマンティック生成、候補レベルの検証を共同でサポートする。
具体的には,局所的なシーン要素,空間的関係,言語記述間の安定な対応を地理意味学習を通じて確立し,また,クロスビュー生成によるドローンと衛星ビュー間のセマンティックマッピングをモデル化する。
これらの機能に基づいて、プラグアンドプレイ検証モジュールは、非常に難解な候補間できめ細かな識別を行う。
さらに,ジオセマンティック理解,クロスビュー生成,候補検証を段階的に学習し,テキスト誘導ジオローカライゼーションへの適応性を向上する多段階学習戦略を導入する。
実験では、複数の検索バックボーンで一貫した改善が示されている。
GeoText-1652では、UniGeoはR@10とmAPをそれぞれ13.59と2.83のパーセンテージで改善し、詳細なテキスト誘導型ドローンのジオローカライゼーションの有効性を検証する。
関連論文リスト
- Learning to Wander: Improving the Global Image Geolocation Ability of LMMs via Actionable Reasoning [72.13218601075958]
textbfWanderBenchは,具体的シナリオにおける行動可能な位置情報推論のための,最初のオープンアクセスグローバルジオロケーションベンチマークである。
我々は,下線Action of UnderlineThoughを用いた下線Geolocationフレームワークである textbfGeoAoT (Action of Thought) を提案する。
19個の大規模マルチモーダルモデルによる実験により、GeoAoTは動的環境におけるより優れた微細な局所化とより強力な一般化を実現することが示された。
論文 参考訳（メタデータ） (2026-03-11T06:24:10Z) - GeoBridge: A Semantic-Anchored Multi-View Foundation Model Bridging Images and Text for Geo-Localization [36.20562550716618]
クロスビュージオローカライゼーションは、クエリ画像に視覚的に対応するジオタグ付き参照画像を取得することで位置を推測する。
従来の衛星中心のパラダイムは、高解像度または最新の衛星画像が利用できない場合にロバスト性を制限する。
ビュー間の双方向マッチングを行うモデルであるGeoBridgeを提案する。
論文 参考訳（メタデータ） (2025-12-02T12:28:22Z) - GraphGeo: Multi-Agent Debate Framework for Visual Geo-localization with Heterogeneous Graph Neural Networks [15.659980269049798]
GPSメタデータを使わずに画像の位置を決定するには、地理的知識と高度な推論が必要である。
近年のLVLM(Large Vision-Language Models)は、画像の内容から直接位置推論を可能にするが、個々のモデルは多様な地理的領域や複雑なシーンと競合する。
ヘテロジニアスグラフニューラルネットワークを用いた視覚的ジオローカライゼーションのためのマルチエージェントディベートフレームワークである textbfGraphGeo を提案する。
論文 参考訳（メタデータ） (2025-11-02T11:58:55Z) - GeoVLM: Improving Automated Vehicle Geolocalisation Using Vision-Language Matching [6.8045687415659275]
クロスビュージオローカライゼーションは、地上レベルの画像とジオタグ付き衛星画像とをデータベースからマッチングすることにより、車両の粗い地理的位置を特定する。
既存のアプローチは高いリコールレートに達するが、それでもトップマッチとして正しいイメージのランク付けに失敗している。
本稿では、視覚言語モデルのゼロショット機能を利用して、クロスビューなジオローカライゼーションを実現する新しいアプローチであるGeoVLMを提案する。
論文 参考訳（メタデータ） (2025-05-19T19:17:06Z) - OmniGeo: Towards a Multimodal Large Language Models for Geospatial Artificial Intelligence [51.0456395687016]
マルチモーダル大言語モデル(LLM)が人工知能の新しいフロンティアをオープンした。
地理空間応用に適したMLLM(OmniGeo)を提案する。
自然言語理解の長所と空間的推論の長所を組み合わせることで,GeoAIシステムの指示追従能力と精度を高めることができる。
論文 参考訳（メタデータ） (2025-03-20T16:45:48Z) - 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) - G3: An Effective and Adaptive Framework for Worldwide Geolocalization Using Large Multi-Modality Models [40.69217368870192]
我々は、レトリーバル拡張世代(RAG)に基づく世界規模の地理的ローカライゼーションのための新しい枠組みを提案する。
G3は、ジオアライメント、ジオディバーシフィケーション、ジオビジュアライゼーションの3つのステップから構成される。
2つの確立されたデータセットの実験は、他の最先端手法と比較してG3の優位性を検証する。
論文 参考訳（メタデータ） (2024-05-23T15:37:06Z) - Towards Natural Language-Guided Drones: GeoText-1652 Benchmark with Spatial Relation Matching [60.645802236700035]
自然言語コマンドを通じてドローンをナビゲートすることは、アクセス可能なマルチモーダルデータセットが不足しているため、依然として難しい。
我々は新しい自然言語誘導ジオローカライゼーションベンチマークGeoText-1652を紹介する。
このデータセットは、インタラクティブなヒューマンコンピュータプロセスを通じて体系的に構築される。
論文 参考訳（メタデータ） (2023-11-21T17:52:30Z) - 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) - GeoGLUE: A GeoGraphic Language Understanding Evaluation Benchmark [56.08664336835741]
我々はGeoGLUEと呼ばれるGeoGraphic Language Understanding Evaluationベンチマークを提案する。
オープンソースの地理資源からデータを収集し、6つの自然言語理解タスクを導入する。
我々は,GeoGLUEベンチマークの有効性と意義を示す一般ベースラインの評価実験と解析を行った。
論文 参考訳（メタデータ） (2023-05-11T03:21:56Z) - MGeo: Multi-Modal Geographic Pre-Training Method [49.78466122982627]
マルチモーダルジオグラフィック言語モデル(MGeo)を提案する。
MGeoはGCを新しいモダリティとして表現し、正確なクエリ-POIマッチングのためのマルチモーダル相関を完全に抽出することができる。
提案するマルチモーダル事前学習法は,汎用PTMのクエリ-POIマッチング能力を大幅に向上させることができる。
論文 参考訳（メタデータ） (2023-01-11T03:05:12Z)
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。