論文の概要: GeoContext: One Context Ladder, Two Failure Modes in Vision-Language Geolocation: Flat Reliance on User-Provided Location Context and False Confirmation of Location Claims
- arxiv url: http://arxiv.org/abs/2609.05761v1
- Date: Fri, 04 Sep 2026 22:52:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.131271
- Title: GeoContext: One Context Ladder, Two Failure Modes in Vision-Language Geolocation: Flat Reliance on User-Provided Location Context and False Confirmation of Location Claims
- Title（参考訳）: ジオコンテキスト:1つのコンテキストラダー,2つの障害モード:ユーザが提供する位置情報の信頼度と位置情報の偽確認
- Abstract要約: GeoHintとGeoVerifyは、画像が主張された場所から150m以内で撮影されたかどうかのバイナリ検証である。
GeoContextは、距離と参照可能性に応じて近くの参照ポイントを階層化することでコンテキストはしごを構築する。
ベンチマークは30都市の109のサイトをカバーし、21,933のGeoHintレスポンスと6,270のGeoVerifyレスポンスを使用して5つのビジョン言語モデルを評価する。
- 参考スコア（独自算出の注目度）: 11.956914785193709
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Visual geolocation benchmarks typically ask a model where an image was captured without accounting for the location context that users often provide. We introduce GeoContext, a resource supporting two complementary tasks: GeoHint, open-ended localization given a true but coarse location hint, and GeoVerify, binary verification of whether an image was taken within 150 m of a claimed place. GeoContext constructs a context ladder by stratifying nearby reference points according to distance and referenceability, allowing the image to remain fixed while the supplied context varies. The benchmark covers 109 sites in 30 cities and evaluates five vision-language models using 21,933 GeoHint responses and 6,270 GeoVerify responses. Our evaluation reveals three main patterns. First, hint repetition varies by only 1.5 percentage points across referenceability tiers and by less than 3 points across distance bands, while the resulting localization error increases steadily with hint distance. Second, behavior depends strongly on no-context performance: at sites with low no-context accuracy, the median ratio between localization error and hint distance is approximately 1.00, whereas at higher-accuracy sites it ranges from 0.24 to 0.69. After correcting for bias introduced by the site grouping procedure, only one of the five models retains a negative accuracy estimate when given a nearby hint. Third, in GeoVerify, no model reaches d' = 1 for decoys immediately beyond the 150 m tolerance. Model rankings also change when sensitivity is separated from response bias, and 83.8% of false acceptances are reported with confidence of at least 0.8. We release the benchmark, construction pipeline, audit decisions, and scoring code.
- Abstract（参考訳）: 視覚的な位置情報のベンチマークは、通常、ユーザーが頻繁に提供する位置コンテキストを考慮せずに、画像がどこでキャプチャされたかをモデルに問う。
我々はGeoContextという2つの補完的なタスクをサポートするリソースを紹介した。GeoHintは、真の位置ヒントを与えられたオープンエンドローカライゼーションであり、GeoVerifyは、画像が主張された場所から150m以内で撮影されたかどうかのバイナリ検証である。
GeoContextは、距離と参照可能性に応じて近くの参照ポイントを階層化することでコンテキストはしごを構築し、供給されたコンテキストが変化する間に画像が固定されるようにする。
このベンチマークは30の都市で109のサイトをカバーし、21,933のGeoHintレスポンスと6,270のGeoVerifyレスポンスを使用して5つのビジョン言語モデルを評価する。
評価では3つの主要なパターンが明らかになった。
第一に、ヒント反復は参照可能性層で1.5ポイント、距離帯で3ポイント以下しか変化しないが、結果としての局所化誤差はヒント距離で着実に増加する。
第二に、非コンテキストの精度の低いサイトでは、局所化誤差とヒント距離の中央値比は約1.00であり、高い精度のサイトでは0.24から0.69である。
サイトグループ化手順によって導入されたバイアスを補正した後、近くのヒントが与えられた場合、5つのモデルのうち1つだけが負の精度で推定される。
第3に、GeoVerifyでは、150mを超えるデコイに対して、d' = 1に達するモデルは存在しない。
モデルランキングは、感度が反応バイアスから分離されたときにも変化し、83.8%の誤認が少なくとも0.8の信頼を持って報告される。
ベンチマーク、構築パイプライン、監査決定、コード評価を公開しています。
関連論文リスト
- GeoSEAN: Explainable Country-Level Image Geolocation for ASEAN Regions [0.0]
本研究は、ASEAN11カ国における国レベルの画像位置決めパイプラインについて説明する。
GeoGuessrスタイルのソースやGoogle Images、さらにストリートレベルの画像から4,850枚の画像を収集しました。
説明可能性について,CLIPアテンションロールアウト,YOLO26オブジェクト検出,EBPG(Energy Based Pointing Game)の重なりによる予測を行った。
論文 参考訳（メタデータ） (2026-07-14T02:38:09Z) - GeoFocus: Blending Efficient Global-to-Local Perception for Multimodal Geometry Problem-Solving [55.14836667214487]
GeoFocusは、2つのコアモジュールからなる新しいフレームワークである。
GeoFocusは、主要な特殊モデルよりも4.7%の精度向上を実現している。
多様な視覚条件下でのMATHVERSEの強靭性を示す。
論文 参考訳（メタデータ） (2026-02-09T11:15:01Z) - Where on Earth? A Vision-Language Benchmark for Probing Model Geolocation Skills Across Scales [61.03549470159347]
視覚言語モデル (VLM) は急速に進歩しているが, オープンワールド環境における画像位置決め能力は, 網羅的に評価されていない。
我々は、視覚認識、ステップバイステップ推論、エビデンス利用を評価するVLM画像位置情報の総合ベンチマークであるEarthWhereを提示する。
論文 参考訳（メタデータ） (2025-10-13T01:12:21Z) - 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) - PEnG: Pose-Enhanced Geo-Localisation [15.324623975476348]
衛星画像の密集が重なり合うため、横方向の地理的局所化は通常粗い粒度で行われる。
都市規模のグラフ表現から最も可能性の高いエッジを予測する2段階システムであるPEnGを開発した。
次に、これらのエッジ内で相対的なポーズ推定を行い、正確な位置を決定する。
論文 参考訳（メタデータ） (2024-11-24T07:42:50Z) - Enhancing Worldwide Image Geolocation by Ensembling Satellite-Based Ground-Level Attribute Predictors [4.415977307120618]
本稿では,GPSなどの位置情報が存在しない場合の地上画像の位置を推定することの課題について検討する。
本稿では,推定位置分布の精度を計測する新しい指標であるリコール対エリア(Recall vs Area)を紹介する。
次に,複数の情報源からの情報を組み込んだグローバルな画像位置決め手法について検討する。
論文 参考訳（メタデータ） (2024-07-18T19:15:52Z) - 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) - PIGEON: Predicting Image Geolocations [44.99833362998488]
本稿では, セマンティックジオセル生成, マルチタスクコントラスト事前学習, 新たな損失関数を組み合わせた新しいジオローカライズシステムを提案する。
PIGEOTTOは、目に見えない場所に効果的に一般化する最初の画像ジオローカライズモデルである。
論文 参考訳（メタデータ） (2023-07-11T23:36:49Z) - 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) - G^3: Geolocation via Guidebook Grounding [92.46774241823562]
本研究では,人間が位置情報に用いている視覚的特徴を記述した人書きガイドブックから,明示的な知識について検討する。
多様な場所からのストリートビュー画像のデータセットを用いたガイドブックグラウンディングによるジオロケーションのタスクを提案する。
提案手法は,Top-1の精度が5%以上向上し,最先端の画像のみの位置決め法よりも大幅に向上する。
論文 参考訳（メタデータ） (2022-11-28T16:34:40Z) - Accurate 3-DoF Camera Geo-Localization via Ground-to-Satellite Image
Matching [102.39635336450262]
地上で取得したクエリ画像とジオタグ付き衛星画像の大規模データベースとをマッチングすることにより、地上から衛星画像のジオローカライズの問題に対処する。
我々の新しい手法は、衛星画像のピクセルサイズの精度まで、クエリー画像のきめ細かい位置を達成できる。
論文 参考訳（メタデータ） (2022-03-26T20:10:38Z) - VIGOR: Cross-View Image Geo-localization beyond One-to-one Retrieval [19.239311087570318]
クロスビュー画像のジオローカライゼーションは,空中からのGPSタグ付き参照画像とマッチングすることで,ストリートビュー検索画像の位置を決定することを目的としている。
最近の研究は、都市規模データセットの驚くほど高い検索精度を実現している。
我々は,1対1の検索範囲を超えて,画像の地理的局所化を行うための大規模ベンチマークであるVIGORを提案する。
論文 参考訳（メタデータ） (2020-11-24T15:50:54Z)
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。