論文の概要: GeoAgent: Evaluating VLM Geolocalization Through Embodied Navigation
- arxiv url: http://arxiv.org/abs/2608.29483v1
- Date: Sun, 30 Aug 2026 00:19:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:30.980527
- Title: GeoAgent: Evaluating VLM Geolocalization Through Embodied Navigation
- Title（参考訳）: GeoAgent: 身体的ナビゲーションによるVLMのジオローカライゼーションの評価
- Abstract要約: 現代のビジョンランゲージモデル(VLM)は、画像のジオローカライゼーションにおいて、人間のベースラインよりはるかに高い性能を発揮する。
我々は,エージェントがストリートビュー環境をナビゲートする必要があるエージェント環境ベースのベンチマークであるtextbfGeoAgentを紹介する。
我々の分析によると、現代のVLMは、国や大陸レベルでの予測を成功させながら、地域パターンの識別に苦慮している。
- 参考スコア（独自算出の注目度）: 1.7370190083648793
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Modern Vision-Language Models (VLMs) perform well above the human baseline in image geolocalization, a task critically important in disaster response, OSINT verification, and location privacy. However, most efforts to study AI behavior on the task remain limited to static image-based retrieval, classification, and predictions. We argue that faithful recreation of the task should involve embodied navigation, where a multimodal agent autonomously explores its surroundings to gather observations before submitting a prediction. To this end, we introduce \textbf{GeoAgent}, an agentic environment-based benchmark that requires agents to navigate Street View environments to refine their geolocalization through sequential reasoning. Our analysis shows that modern VLMs struggle to discern regional patterns while succeeding at country- and continent-level predictions. When compared to static image-based baselines, agentic navigation significantly improves accuracy across established metrics. We also note severe bias in a developed/developing region context across frontier model architectures and poor self-improvement capabilities given incorrect priors. Overall, our work establishes the challenges of embodied navigation and geospatial reasoning. We publicly release our code and the GeoAgent environment: https://geoagent-benchmark.github.io
- Abstract（参考訳）: 現代のビジョンランゲージモデル(VLM)は、画像のジオローカライゼーション、災害対応、OSINT検証、位置プライバシーにおいて重要なタスクにおいて、人間のベースラインよりはるかに高い性能を発揮する。
しかし、タスクにおけるAIの振る舞いを研究するほとんどの取り組みは、静的画像に基づく検索、分類、予測に限られている。
タスクの忠実な再現には、マルチモーダルエージェントが周囲を自律的に探索し、予測を提出する前に観察する、具体的ナビゲーションが必要であると我々は主張する。
この目的のために、エージェントがストリートビュー環境をナビゲートし、シーケンシャルな推論を通じて地理的ローカライゼーションを洗練させる、エージェント環境ベースのベンチマークである \textbf{GeoAgent} を導入する。
我々の分析によると、現代のVLMは、国や大陸レベルでの予測を成功させながら、地域パターンの識別に苦慮している。
静的な画像ベースラインと比較して、エージェントナビゲーションは確立されたメトリクス間で精度を大幅に向上させる。
また、フロンティアモデルアーキテクチャ全体にわたる開発/開発領域のコンテキストにおける深刻なバイアスや、不正な事前処理を前提とした自己改善能力の低下にも留意する。
全体として、我々の研究は、航法と地理空間的推論の具体化の課題を確立している。
コードとGeoAgent環境を公開しています。
関連論文リスト
- Where Do Vision-Language Models Fail? World Scale Analysis for Image Geolocalization [3.713195826948382]
VLM(Vision-Language Models)は、マルチモーダルタスクにまたがる強力なゼロショット推論能力を示す。
地上画像のみを用いた国レベルの画像位置情報化のための複数の最先端VLMの体系的評価を行う。
論文 参考訳（メタデータ） (2026-04-17T17:09:14Z) - 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) - GeoAgent: Learning to Geolocate Everywhere with Reinforced Geographic Characteristics [91.17301794848025]
本稿では,人間と密に推論し,詳細なアドレス結論を導出できるGeoAgentについて述べる。
従来のRLベースの手法は、パフォーマンスと解釈可能性においてブレークスルーを達成したが、AI生成のチェーン・オブ・プリート(CoT)データとトレーニング戦略に依存しているため、依然として懸念が残っている。
論文 参考訳（メタデータ） (2026-02-13T04:48:05Z) - GeoVista: Web-Augmented Agentic Visual Reasoning for Geolocalization [53.080882980294795]
エージェント視覚推論に関する最近の研究は、深いマルチモーダル理解を可能にするが、主に画像操作ツールに焦点を当てている。
そこで本研究では,視覚的グラウンディングだけでなく,仮説の検証や修正のためにWeb検索も必要とするジオローカライゼーションタスクを再考する。
既存のジオローカライゼーションベンチマークは、高解像度画像の必要性と深部エージェント推論の局所化課題を満たすことができないため、GeoBenchをキュレートする。
推論ループ内にツールの実行をシームレスに統合するエージェントモデルであるGeoVistaを提案し,興味のある領域を拡大するイメージズームインツールと関連する領域を検索するWeb検索ツールを提案する。
論文 参考訳（メタデータ） (2025-11-19T18:59:22Z) - VLM-Guided Visual Place Recognition for Planet-Scale Geo-Localization [24.433604332415204]
本稿では,視覚言語モデルと視覚的位置認識の強みを融合した,新しいハイブリッドなジオローカライゼーションフレームワークを提案する。
我々は,複数のジオローカライゼーションベンチマークに対するアプローチを評価し,従来手法よりも一貫して優れていることを示す。
論文 参考訳（メタデータ） (2025-07-23T12:23:03Z) - GEOBench-VLM: Benchmarking Vision-Language Models for Geospatial Tasks [84.86699025256705]
本稿では,地理空間的タスクの視覚言語モデル(VLM)を評価するためのベンチマークであるGEOBench-VLMを提案する。
私たちのベンチマークでは、手動で検証された命令が1万以上あり、さまざまな視覚条件、オブジェクトタイプ、スケールにまたがっています。
地理空間固有の課題における性能を評価するために,いくつかの最先端のVLMを評価した。
論文 参考訳（メタデータ） (2024-11-28T18:59:56Z) - 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) - GOMAA-Geo: GOal Modality Agnostic Active Geo-localization [49.599465495973654]
エージェントが空中ナビゲーション中に観測された一連の視覚的手がかりを用いて、複数の可能なモダリティによって特定されたターゲットを見つけるという、アクティブなジオローカライゼーション(AGL)の課題を考察する。
GOMAA-Geo は、ゴールモダリティ間のゼロショット一般化のためのゴールモダリティアクティブなジオローカライゼーションエージェントである。
論文 参考訳（メタデータ） (2024-06-04T02:59:36Z) - Occupancy Anticipation for Efficient Exploration and Navigation [97.17517060585875]
そこで我々は,エージェントが自我中心のRGB-D観測を用いて,その占有状態を可視領域を超えて推定する,占有予測を提案する。
エゴセントリックなビューとトップダウンマップの両方でコンテキストを活用することで、私たちのモデルは環境のより広いマップを予測できます。
われわれのアプローチは、2020 Habitat PointNav Challengeの優勝だ。
論文 参考訳（メタデータ） (2020-08-21T03:16:51Z)
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。