論文の概要: Multi-View Mixture-of-Experts with Vision-Language Reranking for Cross-View Object Geo-Localization

• arxiv url: http://arxiv.org/abs/2609.18139v1
• Date: Wed, 16 Sep 2026 05:21:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.654509
• Title: Multi-View Mixture-of-Experts with Vision-Language Reranking for Cross-View Object Geo-Localization
• Title（参考訳）: クロスビュー・オブジェクト・ジオローカライゼーションのためのマルチビュー・ミックス・オブ・エクスプロイトとビジョンランゲージ・リグレード
• Abstract要約: クロスビューオブジェクトジオローカライゼーション(CVOGL)は、ドローンやストリートビュークエリを使用して衛星画像のターゲットを特定する。 既存の手法では、それぞれの視点で別々の検出器を訓練し、パラメータの冗長性を損なうとともに、クロスビューな知識共有を妨げる。 本稿では,複数の視点を統一し,モデルの冗長性を低減するための効率的なフレームワークMVLGeoを提案する。
• 参考スコア（独自算出の注目度）: 41.12300370913897
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Cross-view object geo-localization (CVOGL) locates a target in satellite imagery using drone or street-view queries. Existing methods train separate detectors for each viewpoint, leading to parameter redundancy and impeding cross-view knowledge sharing. Moreover, top-ranked satellite candidates are often visually similar, so visual appearance and categorical labels alone are insufficient to resolve such ambiguity. To address these, we propose MVLGeo, an efficient framework designed to unify multiple viewpoints and reduce model redundancy. First, we introduce environmental contextual text from the query view as cues to distinguish visually similar candidates via Vision-Language Reranking (VL-Rerank). Second, we design a multi-view Mixture-of-Experts architecture (MV-MoE) with a shared encoder and view-specific experts to reduce redundancy and promote knowledge sharing, while cross-view contrastive learning aligns their representations for consistency. Third, we introduce an adaptive elliptical prior (ESAM-Prior) as auxiliary positional encoding for anisotropic geometric perception. Extensive experiments on the CVOGL benchmarks confirm that MVLGeo, as a unified model for multiple query viewpoints, achieves state-of-the-art performance, demonstrating robustness to input degradation and generalization across viewpoints. Code and models will be available on GitHub to facilitate future work.
• Abstract（参考訳）: クロスビューオブジェクトジオローカライゼーション(CVOGL)は、ドローンやストリートビュークエリを使用して衛星画像のターゲットを特定する。 既存の手法では、それぞれの視点で別々の検出器を訓練し、パラメータの冗長性を損なうとともに、クロスビューな知識共有を妨げる。 さらに、上位の衛星候補はしばしば視覚的に類似しているため、視覚的な外観と分類ラベルだけではそのような曖昧さを解決するには不十分である。 そこで本稿では,複数の視点を統一し,モデルの冗長性を低減するための効率的なフレームワークであるMVLGeoを提案する。 まず,視覚的に類似した候補をVL-Rerank(Vision-Language Re rank, VL-Rerank)で識別する手法として,クエリビューから環境コンテキストテキストを導入する。 第2に,マルチビュー・ミックス・オブ・エキスパートアーキテクチャ(MV-MoE)を共用エンコーダとビュー固有の専門家で設計し,冗長性を低減し,知識共有を促進する。 第三に、異方性幾何知覚のための補助的位置符号化として適応楕円体前駆体(ESAM-Prior)を導入する。 CVOGLベンチマークの大規模な実験により、MVLGeoは複数のクエリ視点の統一モデルとして、最先端のパフォーマンスを実現し、入力劣化に対する堅牢性や視点間の一般化を実証している。 コードとモデルはGitHubで公開され、今後の作業が容易になる。

関連論文リスト

• G2IA: Geometry-Guided Instance-Aware Retrieval and Refinement for Cross-Modal Place Recognition [24.541278686912616]
  クロスモーダル位置認識(CMPR)により、カメラのみのロボットは、自律的なナビゲーションシナリオにおいて、事前に構築されたLiDARマップに対してローカライズすることができる。 このイメージ・ツー・ポイント・クラウド・セッティングは、2つのあいまいさ、すなわち視点RGBの外観とスパースメトリ幾何の間のモダリティギャップによって挑戦される。 画像から点までの位置認識のための幾何学誘導型インスタンス認識フレームワークであるG2IAを提案する。
  論文  参考訳（メタデータ） (2026-06-13T12:53:52Z)
• View-Aware Semantic Alignment for Aerial-Ground Person Re-Identification [43.69772242567068]
  ViSAは、ビュー間のセマンティック一貫性を実現するビュー対応フレームワークである。 ViSAは、挑戦的なCARGOクロスビュープロトコルにおいて、注目すべき10.06%のmAP改善とともに、一貫して優れたパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2026-05-18T10:32:26Z)
• Wasserstein-Aligned Hyperbolic Multi-View Clustering [58.29261653100388]
  本稿では,マルチビュークラスタリングのための新しいWasserstein-Aligned Hyperbolic(WAH)フレームワークを提案する。 本手法はビュー固有の双曲エンコーダを用いて特徴をローレンツ多様体に埋め込んで階層的セマンティックモデリングを行う。
  論文  参考訳（メタデータ） (2025-12-10T07:56:19Z)
• GLEAM: Learning to Match and Explain in Cross-View Geo-Localization [66.11208984986813]
  CVGL(Cross-View Geo-Localization)は、同じ地理的位置の異なる視点から撮影された画像間の対応を識別することに焦点を当てている。 GLEAM-Cは、UAV画像、ストリートマップ、パノラマ画像、地上写真を含む複数のビューとモダリティを衛星画像のみに合わせる基本CVGLモデルである。 従来のCVGL手法では解釈可能性の欠如に対処するため,クロスビュー対応予測と説明可能な推論を組み合わせたGLEAM-Xを提案する。
  論文  参考訳（メタデータ） (2025-09-09T07:14:31Z)
• 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)
• View-Centric Multi-Object Tracking with Homographic Matching in Moving UAV [43.37259596065606]
  無人航空機(UAV)のシナリオの移動における多目的追跡(MOT)の課題に対処する。 シーン背景の変化は、従来のフレーム間オブジェクトIOUアソシエーションメソッドを非効率にするだけでなく、オブジェクトに大きなビューシフトをもたらす。 このフレームワークは,MOTの課題を解決するために,シーン変更に固有のHomographyを初めて活用する。
  論文  参考訳（メタデータ） (2024-03-16T06:48:33Z)

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。