論文の概要: Calibrating Retrieval Geometry: Reliability-Guided Training-Free Aggregation for Visual Place Recognition
- arxiv url: http://arxiv.org/abs/2609.25937v1
- Date: Tue, 22 Sep 2026 09:43:37 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-23 18:04:04.313243
- Title: Calibrating Retrieval Geometry: Reliability-Guided Training-Free Aggregation for Visual Place Recognition
- Title（参考訳）: 検索幾何学の校正: 視覚的位置認識のための信頼性指導型トレーニングフリーアグリゲーション
- Abstract要約: 位置ラベルもタスク固有の重み更新も必要とせず,信頼性の高いトレーニングフリーアグリゲーション手法であるTFAを導入する。
TFAは、コードブック間の合意、検索カバレッジ、スペクトル統計を組み合わせることで、残余の割り当て、スペクトルの整形、グローバルなフュージョンを制御する。
データベースのみのTFAはクエリにアクセスする前にそのルールを修正する。
- 参考スコア（独自算出の注目度）: 8.521106845191625
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Frozen visual foundation models provide transferable features for visual place recognition, but fixed aggregation can suppress useful distinctions in new environments. We introduce TFA, a reliability-guided, training-free aggregation method requiring neither place labels nor task-specific weight updates. Our key observation is that reproducible retrieval need not be discriminative: independent codebooks can consistently retrieve a few database hubs. TFA combines cross-codebook agreement, retrieval coverage, and spectral statistics to control residual assignment, spectral shaping, and global-feature fusion. Its spectral kernel exactly recovers original descriptor similarity at zero intervention. Database-only TFA fixes its rules before accessing queries; TFA-C64 uses 64 disjoint unlabeled target images to calibrate retrieval for subsequent queries. Across 20 ground protocols with a fixed DINOv2-B backbone and matched resolution, database-only TFA improves Recall@1 over AnyLoc by 17.39 percentage points on MSLS-val and 9.55 on SPED. C64 mitigates failures of database-only calibration in driving environments. Across eight aerial/cross-view protocols, TFA achieves the highest Recall@1 among compared training-free heads in 14 of 16 DINOv2/DINOv3 backbone-protocol combinations. In a separate native-system comparison, DINOv2-G-based TFA-C64 reaches 91.46% Recall@1 on Pitts30k and 76.29% on VPAIR, outperforming the displayed training-free comparators on all five benchmarks. These results show that reliability-guided aggregation can recover additional retrieval capability from frozen representations, providing a practical baseline for new environments with scarce place supervision.
- Abstract（参考訳）: 凍結した視覚基盤モデルは、視覚的位置認識のための伝達可能な機能を提供するが、固定された集約は、新しい環境において有用な区別を抑えることができる。
位置ラベルもタスク固有の重み更新も必要とせず,信頼性の高いトレーニングフリーアグリゲーション手法であるTFAを導入する。
私たちのキーとなる観察は、再現可能な検索を識別する必要はないということです。
TFAは、コードブック間の合意、検索カバレッジ、およびスペクトル統計を組み合わせて、残余の割り当て、スペクトルの整形、グローバルなフュージョンを制御する。
スペクトルカーネルは、ゼロ干渉で元の記述子類似性を正確に回復する。
データベースのみのTFAはクエリにアクセスする前にそのルールを修正する。
固定されたDINOv2-Bバックボーンと一致した解像度を持つ20の地上プロトコルでは、データベースのみのTFAがAnyLoc上のRecall@1をMSLS-valで17.39ポイント、SPEDで9.55ポイント改善している。
C64は、運転環境におけるデータベースのみのキャリブレーションの障害を軽減する。
8つの空中/クロスビュープロトコルで、TFAは16のDINOv2/DINOv3のバックボーンとプロトコールの組み合わせのうち14のトレーニングなしのヘッドのうち、最も高いRecall@1を達成する。
別個のネイティブシステム比較では、DINOv2-GベースのTFA-C64が91.46%のRecall@1がPitts30kで、76.29%がVPAIRで到達し、5つのベンチマークで表示されたトレーニングフリーコンパレータを上回った。
これらの結果から, 信頼性誘導アグリゲーションは, 凍結した表現から新たな検索能力を回復し, 場所管理が不十分な新しい環境のための実践的ベースラインを提供することがわかった。
関連論文リスト
- Open ultrasound foundation model for robust segmentation and clinical measurement across heterogeneous settings [66.3653308198376]
SonoCorpusは、24の臨床応用と17の国にまたがる53のパブリックデータセットから、456,963のイメージと1,626,085のエキスパートマスクを統合するオープンリソースである。
SonoBaseは、事前にトレーニングされたインタラクティブセグメンテーション基盤モデルである。
論文 参考訳（メタデータ） (2026-09-16T15:34:21Z) - Hub-Spectral Activation of Latent Multimodal Knowledge [48.72626098917089]
Hub-Spectral Activation (HSA) は、凍結表現における潜在マルチモーダル知識のハブ可読成分の回復と活性化のための閉形式法である。
HSAは、ハブエッジ統計データを合成し、標準化し、ペア化されたスペクトル方向を抽出し、信頼性に富んだ一致した証拠とソースゲートの候補分解を結合する。
論文 参考訳（メタデータ） (2026-09-15T12:27:42Z) - Efficient GPU Retrieval for Semantic Search [11.631441668563802]
本稿では、LinkedInのポリシー整合型検索フレームワークを提案する。
軽量のシングルスロットStage-1スコアラは、ハイリコール候補を生成する。
21Kのホールドアウトクエリでは、この表現は一致した容量ベースラインに対するオフラインの関連性を改善する。
論文 参考訳（メタデータ） (2026-08-29T00:38:27Z) - CODS: Iterative Bellman-Residual Data Selection for Reusable Offline Reinforcement Learning [5.894992157122175]
我々は,アルゴリズムに適合した批評家の適合と高レジデンシャル・トランジションの獲得を交互に行う,批評家誘導のセレクタであるCODSを紹介する。
10%の予算で、CODSは20の有効なD4RLタスク-アルゴリズム細胞に対して96.6%の許容プール性能を維持している。
論文 参考訳（メタデータ） (2026-08-07T19:11:54Z) - ARBOR: Online Process Rewards via a Reusable Rubric Buffer for Search Agents [48.80766702702854]
LLMベースの検索エージェントは、主に結果のみの報酬で訓練され、検索プロセス自体は監督されていない。
この信号は、全てのサンプル軌跡が同じ正当性を共有する結果同質な群に対して退化し、群内の優位性はゼロとなり、勾配は得られない。
ARBOR(Adaptive Buffer for Online Reward)は,クエリ間で共有されるルーリックメモリを維持する再利用可能なプロセス・リワードフレームワークである。
論文 参考訳（メタデータ） (2026-06-02T06:58:54Z) - Verifier-First Evaluation of Agentic LLMs for Infrastructure-as-Code Generation [0.0]
自然言語からインフラストラクチャ・アズ・コード(IaC)を生成するには、プロバイダのスキーマ、依存関係の計画、組織的なポリシの制約を満たす必要がある。
Rego v1ポリシを備えた186タスクのAWS/TerraformベンチマークであるIaC-Eval v2で評価されたTerraform生成のための7つのエージェント戦略に関する検証初の実験的研究を示す。
論文 参考訳（メタデータ） (2026-05-29T12:43:27Z) - Back to Repair: A Minimal Denoising Network for Time Series Anomaly Detection [1.7751300245073598]
JuReは時系列異常検出のための最小限のデノイングネットワークである。
破損した時系列ウィンドウの修復を訓練し、固定されたパラメータフリーな構造的不一致関数によって推測された。
論文 参考訳（メタデータ） (2026-04-19T11:33:25Z) - Detecting Media Clones in Cultural Repositories Using a Positive Unlabeled Learning Approach [0.0]
我々は,AtticPOTレポジトリにおけるキュレーターとループの重複発見を,肯定的無ラベル(PU)学習問題として定式化する。
我々は、アンカーの強化ビューに基づいて軽量なクエリごとのクローンをトレーニングし、潜在lノルムの解釈可能なしきい値でラベル付けされていないリポジトリをスコア付けする。
本システムでは、事前確認されていないクロスレコード重複を明らかにするキュレーター検証の候補を提案する。
論文 参考訳（メタデータ） (2026-04-05T11:41:29Z) - Enhancing Continual Learning for Software Vulnerability Prediction: Addressing Catastrophic Forgetting via Hybrid-Confidence-Aware Selective Replay for Temporal LLM Fine-Tuning [43.24339861841546]
本稿では,CVE-linked データセット上でのデコーダ型言語モデル (phi/phi-2 with LoRA) の微調整について検討する。
本研究では,ウィンドウオンリーおよび累積学習,リプレイベースライン,正規化ベースバリアントを含む8つの連続学習戦略を評価する。
ハイブリッドCASRはベースラインと比較してウィンドウ当たりのトレーニング時間を約17%削減する一方、累積トレーニングは15.9倍の計算コストでF1をわずかに増加させる(0.661)。
論文 参考訳（メタデータ） (2026-02-27T09:13:23Z) - CVeDRL: An Efficient Code Verifier via Difficulty-aware Reinforcement Learning [57.24524263804788]
コード検証は、LLMベースのコード生成の検証後において重要な役割を果たす。
既存の教師付き微調整手法は、データの不足、高い失敗率、推論効率の低下に悩まされている。
機能的な報酬しか持たない単純RLは、難しいブランチやサンプルに対して効果的な単体テストを生成することができないことを示す。
論文 参考訳（メタデータ） (2026-01-30T10:33:29Z) - CLUE: Non-parametric Verification from Experience via Hidden-State Clustering [64.50919789875233]
隠れアクティベーションの軌跡内の幾何的に分離可能なシグネチャとして解の正しさが符号化されていることを示す。
ClUE は LLM-as-a-judge ベースラインを一貫して上回り、候補者の再選において近代的な信頼に基づく手法に適合または超えている。
論文 参考訳（メタデータ） (2025-10-02T02:14:33Z)
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。