論文の概要: Towards Active Cross-View Object Geo-Localization

• arxiv url: http://arxiv.org/abs/2609.19662v1
• Date: Thu, 17 Sep 2026 04:03:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.095653
• Title: Towards Active Cross-View Object Geo-Localization
• Title（参考訳）: アクティブなクロスビューオブジェクトジオローカライゼーションを目指して
• Abstract要約: アクティブクロスビューオブジェクトジオローカライゼーション(ActiveGeo)を導入し、エージェントが順次新しい視点を選択し、いつ停止するかを決定する。 また,3段階トレーニングを備えたActiveGeoフレームワークであるActiveMoPTを提案する。 実験の結果、ActiveMoPTは平均1.45クエリビューしか使用せず、MoP-UAV上での最先端のパフォーマンスを実現していることがわかった。
• 参考スコア（独自算出の注目度）: 66.00147324166345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cross-view object geo-localization (CVOGL) typically assumes a fixed query image, overlooking the ability of mobile agents to actively acquire more informative observations. To address this limitation, we introduce Active Cross-View Object Geo-Localization (ActiveGeo), where an agent sequentially selects new viewpoints and determines when to stop, aiming to improve localization with minimal observations. We further propose ActiveMoPT, an ActiveGeo framework with three-stage training. First, Multi-View Prompt-Preserving Adaptation enables the model to aggregate multiple query views while reusing the initial prompt. Second, Trajectory-Guided Policy Initialization uses supervised agent trajectories to learn viewpoint selection and initial stopping behavior. Third, Cost-Aware Policy Refinement employs GRPO with a gain-cost reward to jointly optimize localization accuracy and observation efficiency. We also construct ActiveGeo-858, a zero-shot test set containing 858 scenes and 1,716 target annotations. Experiments show that ActiveMoPT achieves state-of-the-art performance on MoP-UAV using only 1.45 query views on average, and substantially outperforms previous CVOGL approaches under zero-shot evaluation on ActiveGeo-858.
• 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)は通常、固定されたクエリイメージを仮定し、モバイルエージェントがより情報的な観察を積極的に得る能力を見越す。 この制限に対処するために,エージェントが新たな視点を順次選択し,いつ停止するかを判断し,最小限の観測でローカライゼーションを改善することを目的としたActiveGeo(Active View Object Geo-Localization)を導入する。 さらに,3段階トレーニングを備えたActiveGeoフレームワークであるActiveMoPTを提案する。 まず、Multi-View Prompt-Preserving Adaptationにより、初期プロンプトを再利用しながら複数のクエリビューを集約することができる。 第二に、軌道誘導政策初期化は、監督されたエージェント軌跡を用いて視点選択と初期停止行動を学ぶ。 3つ目は、GRPOをゲインコストの報酬として採用し、ローカライゼーションの精度と観察効率を共同で最適化することである。 また、858のシーンと1,716のターゲットアノテーションを含むゼロショットテストセットであるActiveGeo-858を構築した。 実験の結果,ActiveGeo-858では,平均1.45クエリビューのみを使用してMoP-UAV上での最先端性能を実現し,従来のCVOGLアプローチよりも大幅に優れていた。

関連論文リスト

• MOGeo: Beyond One-to-One Cross-View Object Geo-localization [27.10845184742442]
  Cross-View Object Geo-Localization (CVOGL) は、対応する衛星画像内のクエリ画像の関心対象を特定することを目的としている。 現実的な設定と既存のタスクのギャップを埋めるため,CVMOGL(Cross-View Multi-Object Geo-Localization)と呼ばれる新しいタスクを提案する。 そこで本稿では,MOGeoを用いたクロスビュー多目的ジオローカライズ手法を提案し,既存の最先端手法と比較した。
  論文  参考訳（メタデータ） (2026-03-14T08:54:16Z)
• Anchor-free Cross-view Object Geo-localization with Gaussian Position Encoding and Cross-view Association [3.5982006325887554]
  AFGeo と呼ばれるクロスビューオブジェクトのジオローカライゼーションのためのアンカーフリーな定式化を提案する。 AFGeoは、事前に定義されたアンカーを使わずにオブジェクトをローカライズする各ピクセルに対して、4つの方向のオフセットをグラウンドトルースボックスに直接予測する。 我々のモデルは軽量かつ効率的であり、ベンチマークデータセット上で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2025-09-30T00:30:45Z)
• Recurrent Cross-View Object Geo-Localization [23.685973292321574]
  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、問合せ画像と点プロンプトが与えられた場合の高解像度衛星画像における特定のオブジェクトの位置を決定することを目的としている。 本稿では,CVOGLをリカレント・ローカライゼーションタスクとして再構成したリカレント・クロスビュー・オブジェクトのジオローカライゼーション・トランスフォーマであるReCOTを提案する。 ReCOTは、クエリイメージからタスク固有の意図をエンコードし、埋め込みを促す一連の学習可能なトークンを導入し、予測された位置を洗練するための参照機能に反復的に参加する。
  論文  参考訳（メタデータ） (2025-09-16T07:18:23Z)
• RELOCATE: A Simple Training-Free Baseline for Visual Query Localization Using Region-Based Representations [55.74675012171316]
  RELOCATEは、長いビデオにおけるビジュアルクエリローカライゼーションの難しいタスクを実行するために設計された、トレーニング不要のベースラインである。 タスク固有のトレーニングを不要にするために、RELOCATEは事前訓練された視覚モデルから派生した領域ベースの表現を利用する。
  論文  参考訳（メタデータ） (2024-12-02T18:59:53Z)
• 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)
• 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)
• Tracking Objects and Activities with Attention for Temporal Sentence Grounding [51.416914256782505]
  時間文 (TSG) は、意味的に自然言語のクエリと一致した時間セグメントを、トリミングされていないセグメントでローカライズすることを目的としている。 本稿では,(A)マルチモーダル・検索空間を生成するクロスモーダル・ターゲット・ジェネレータと(B)マルチモーダル・ターゲットの動作を追跡し,クエリ関連セグメントを予測するテンポラル・センセント・トラッカーとを含む,新しいテンポラル・センセント・トラッカー・ネットワーク(TSTNet)を提案する。
  論文  参考訳（メタデータ） (2023-02-21T16:42:52Z)
• Target-Aware Object Discovery and Association for Unsupervised Video Multi-Object Segmentation [79.6596425920849]
  本稿では,教師なしビデオマルチオブジェクトセグメンテーションの課題について述べる。 より正確で効率的な時間区分のための新しいアプローチを紹介します。 DAVIS$_17$とYouTube-VISに対する提案手法を評価した結果,セグメント化精度と推論速度の両方において最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-04-10T14:39:44Z)

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。