論文の概要: AutoCompass: Accurate Visual Localization on Public Maps by Learning from Weak Labels

• arxiv url: http://arxiv.org/abs/2609.02798v1
• Date: Wed, 02 Sep 2026 16:31:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-03 17:53:18.472252
• Title: AutoCompass: Accurate Visual Localization on Public Maps by Learning from Weak Labels
• Title（参考訳）: AutoCompass: 弱ラベルから学ぶことで,公開マップ上での正確な視覚的ローカライゼーション
• Abstract要約: 本稿では,不正確なポーズラベルからニューラルマップマーカをトレーニングするための監視手法であるAutoSLAMを提案する。 方向ラベルは不要であり、生のGPS周辺で許容領域を定義することで位置精度が向上することを示す。 ドライビングベンチマーク全体では、AutoSLAMは絶対的なポーズラベルに通常の強い依存でトレーニングされたベンチマークよりも一貫して優れています。
• 参考スコア（独自算出の注目度）: 31.73754004109431
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Neural map matchers estimate an image's 3-DoF pose relative to a 2D map. These models are trained on large-scale datasets of geo-referenced images, whose position and heading labels often contain noise that affects the trained models. To address this, we present AutoCompass, a supervision approach for training neural map matchers from inaccurate absolute pose labels. First, we show that heading labels are unnecessary: trained from raw GPS labels, models learn to predict accurate headings, automatically. Second, defining a tolerance region around raw GPS improves positional accuracy. Third, if available, our supervision uses relative poses between training images, obtained via SLAM or SfM, which provide a more accurate training signal. Across driving and egocentric benchmarks, AutoCompass consistently outperforms counterparts trained with the usual strong reliance on absolute pose labels.
• Abstract（参考訳）: ニューラルマップマーカは、2Dマップに対して画像の3DoFポーズを推定する。 これらのモデルは、ジオリファレンス画像の大規模なデータセットに基づいてトレーニングされ、その位置と方向ラベルは、トレーニングされたモデルに影響を与えるノイズを含むことが多い。 これを解決するために、不正確な絶対ポーズラベルからニューラルマップマーカをトレーニングするための監視手法であるAutoCompassを提案する。 まず、方向ラベルが不要であることを示し、生のGPSラベルからトレーニングされたモデルが、正確な方向を自動で予測することを学ぶ。 第二に、生GPSに関する許容領域を定義することにより、位置精度が向上する。 第3に、もし利用可能であれば、より正確なトレーニング信号を提供するSLAMまたはSfMを介して得られたトレーニング画像間の相対的なポーズを使用する。 運転とエゴセントリックなベンチマークを通じて、AutoCompassは絶対的なポーズラベルへの強い依存でトレーニングされた他のベンチマークよりも一貫して優れています。

関連論文リスト

• PseudoMapTrainer: Learning Online Mapping without HD Maps [41.789167930501016]
  PseudoMapTrainerは、ラベルのないセンサデータから生成された擬似ラベルを使用する、オンラインマッピングの新しいアプローチである。 路面をマルチカメラ画像から再構成することで,これらの擬似ラベルを導出する。 擬似ラベルは、オンラインモデルを半教師付きで事前学習するのに有効である。
  論文  参考訳（メタデータ） (2025-08-26T08:13:30Z)
• GPS as a Control Signal for Image Generation [95.43433150105385]
  画像メタデータに含まれるGPSタグは,画像生成に有用な制御信号であることを示す。 私たちはGPSと画像のモデルをトレーニングし、都市内の画像がどのように変化するかの詳細な理解を必要とするタスクにそれらを使用します。
  論文  参考訳（メタデータ） (2025-01-21T18:59:46Z)
• TrajSSL: Trajectory-Enhanced Semi-Supervised 3D Object Detection [59.498894868956306]
  Pseudo-labeling approach to semi-supervised learning は教師-学生の枠組みを採用する。 我々は、事前学習した動き予測モデルを活用し、擬似ラベル付きデータに基づいて物体軌跡を生成する。 提案手法は2つの異なる方法で擬似ラベル品質を向上する。
  論文  参考訳（メタデータ） (2024-09-17T05:35:00Z)
• Weakly-supervised Camera Localization by Ground-to-satellite Image Registration [52.54992898069471]
  本稿では,地対衛星画像登録のための弱教師付き学習戦略を提案する。 地上画像ごとに正の衛星画像と負の衛星画像を導き出す。 また,クロスビュー画像の相対回転推定のための自己超越戦略を提案する。
  論文  参考訳（メタデータ） (2024-09-10T12:57:16Z)
• EgoVM: Achieving Precise Ego-Localization using Lightweight Vectorized Maps [9.450650025266379]
  本稿では,従来の最先端手法に匹敵するローカライズ精度を実現するエンド・ツー・エンドのローカライズネットワークであるEgoVMを提案する。 我々は、学習可能なセマンティック埋め込みを用いて、マップ要素のセマンティックタイプを符号化し、セマンティックセマンティックセグメンテーションでそれらを監督する。 本研究では,頑健なヒストグラムに基づくポーズ解法を用いて,候補ポーズを徹底的に探索することで最適なポーズを推定する。
  論文  参考訳（メタデータ） (2023-07-18T06:07:25Z)
• CSP: Self-Supervised Contrastive Spatial Pre-Training for Geospatial-Visual Representations [90.50864830038202]
  ジオタグ付き画像の自己教師型学習フレームワークであるContrastive Spatial Pre-Training(CSP)を提案する。 デュアルエンコーダを用いて画像とその対応する位置情報を別々に符号化し、コントラスト目的を用いて画像から効果的な位置表現を学習する。 CSPは、様々なラベル付きトレーニングデータサンプリング比と10～34%の相対的な改善で、モデル性能を大幅に向上させる。
  論文  参考訳（メタデータ） (2023-05-01T23:11:18Z)
• Sparse Semantic Map-Based Monocular Localization in Traffic Scenes Using Learned 2D-3D Point-Line Correspondences [29.419138863851526]
  クエリー画像が与えられた場合、カメラのポーズが先行マップに対応すると見積もることが目的である。 既存のアプローチは、登録問題を解決するために、機能レベルでの高密度な点記述子に大きく依存している。 本稿では,よく設計されたディープニューラルネットワークを用いて2D-3D登録を行う,スパースセマンティックマップに基づく単眼位置推定法を提案する。
  論文  参考訳（メタデータ） (2022-10-10T10:29:07Z)
• 3SD: Self-Supervised Saliency Detection With No Labels [19.260185488168982]
  本稿では,概念的にシンプルな塩分濃度検出手法を提案する。 本手法では, 擬似地下真実ラベルを学習に用いた。
  論文  参考訳（メタデータ） (2022-03-09T01:40:28Z)
• Semantic Image Alignment for Vehicle Localization [111.59616433224662]
  単眼カメラからのセマンティックセグメンテーションを用いた高密度セマンティックマップにおける車両位置推定手法を提案する。 既存の視覚的ローカライゼーションアプローチとは対照的に、システムは追加のキーポイント機能、手作りのローカライゼーションランドマーク抽出器、高価なLiDARセンサーを必要としない。
  論文  参考訳（メタデータ） (2021-10-08T14:40:15Z)
• An Empirical Study of the Collapsing Problem in Semi-Supervised 2D Human Pose Estimation [80.02124918255059]
  半教師付き学習は、ラベルなし画像の探索によってモデルの精度を高めることを目的としている。 私たちは相互に教え合うために2つのネットワークを学びます。 各ネットワーク内の容易なイメージに関するより信頼性の高い予測は、他のネットワークに対応するハードイメージについて学ぶように教えるために使用される。
  論文  参考訳（メタデータ） (2020-11-25T03:29:52Z)

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。