論文の概要: A Unified Framework and Dataset for Oriented Object Visual Grounding in Remote Sensing
- arxiv url: http://arxiv.org/abs/2609.28230v2
- Date: Sat, 26 Sep 2026 18:29:54 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-29 21:31:51.735217
- Title: A Unified Framework and Dataset for Oriented Object Visual Grounding in Remote Sensing
- Title（参考訳）: リモートセンシングにおけるオブジェクト指向ビジュアルグラウンドのための統一フレームワークとデータセット
- Abstract要約: リモートセンシング画像における視覚的グラウンドディングは、表現を参照することによって記述されたオブジェクトを見つけることを目的としている。
O$2$-VG-Trans はオブジェクト指向の視覚的接地のためのモダリティ変換器である。
O$2$-VG-Uniは、可能なフォアグラウンドオブジェクトに対する普遍指向の提案を予測する。
O$2$-VG-VLMは自動回帰視覚言語モデルである。
- 参考スコア（独自算出の注目度）: 40.937408244393694
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Visual grounding in remote sensing images aims to locate objects described by referring expressions. Most existing methods predict horizontal bounding boxes, which are often inaccurate for objects with arbitrary orientations. To address this limitation, we introduce O$^2$-VG, a family of models for oriented object visual grounding with three complementary designs. Specifically, O$^2$-VG-Trans is a cross-modality transformer for oriented object visual grounding. It establishes a strong discriminative foundation for the model family. Building upon it, O$^2$-VG-Uni predicts universal oriented proposals for possible foreground objects without specific text prompts. It also supports object retrieval through cached proposal embeddings. Using these universal oriented proposals as input prompts, O$^2$-VG-VLM is an autoregressive vision-language model. It generates oriented box token blocks in parallel through multi-token prediction. In addition, we construct DIOR-R-RSVG, a dataset for oriented object visual grounding in remote sensing images. It provides image, expression, and oriented box triplets for training and evaluation. Together, the O$^2$-VG family provides a flexible framework that spans discriminative transformers and generative vision-language models. It achieves superior performance across multiple benchmarks. Code is available at https://github.com/wokaikaixinxin/ai4rs and https://github.com/wokaikaixinxin/Eagle_o2_vg.
- Abstract（参考訳）: リモートセンシング画像における視覚的グラウンドディングは、表現を参照することによって記述されたオブジェクトを見つけることを目的としている。
既存のほとんどの手法は水平境界ボックスを予測しており、これはしばしば任意の向きを持つ対象に対して不正確なものである。
この制限に対処するために、O$^2$-VGを導入する。
具体的には、O$^2$-VG-Trans はオブジェクト指向の視覚的接地のためのクロスプラットフォーム変換器である。
モデルファミリーの強力な差別的基盤を確立している。
O$^2$-VG-Uniは、特定のテキストプロンプトを使わずに、可能なフォアグラウンドオブジェクトに対する普遍指向の提案を予測する。
キャッシュされた提案の埋め込みによるオブジェクトの検索もサポートする。
これらの普遍指向の提案を入力プロンプトとして使うと、O$^2$-VG-VLMは自己回帰視覚言語モデルである。
マルチトークン予測により、並列に指向するボックストークンブロックを生成する。
さらに、リモートセンシング画像におけるオブジェクト指向物体の視覚的グラウンド化のためのデータセットであるDIOR-R-RSVGを構築した。
トレーニングと評価のためのイメージ、表現、および指向のボックス三つ子を提供する。
O$^2$-VGファミリは、差別的変換器と生成的視覚言語モデルにまたがる柔軟なフレームワークを提供する。
複数のベンチマークで優れたパフォーマンスを実現している。
コードはhttps://github.com/wokaikaixinxin/ai4rsとhttps://github.com/wokaikaixinxin/Eagle_o2_vgで入手できる。
関連論文リスト
- Multi-View Mixture-of-Experts with Vision-Language Reranking for Cross-View Object Geo-Localization [41.12300370913897]
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。
論文 参考訳（メタデータ） (2026-09-16T05:21:54Z) - Beyond 2D Matching: A Unified Single-Stage Framework for Geometry-Aware Cross-View Object Geo-Localization [21.013795754583697]
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、ジオタグ付き参照画像(衛星など)内のクエリビューからターゲットオブジェクトを見つけることを目的としている。
既存のアプローチは2次元の外観マッチングに大きく依存しており、幾何学的メタデータを欠いた限られたデータセットによって制約されている。
まず、22万以上の地上衛星とドローンと衛星のペアからなる大規模で高忠実なビルディングデータセットであるデータセットを紹介します。
変分同変量3D基礎モデル$をベースとした新しい一段階幾何対応ジオローカライゼーションフレームワーク(GAGeo)を提案する。
論文 参考訳（メタデータ） (2026-06-29T17:19:49Z) - SceneGraphGrounder: Zero-Shot 3D Visual Grounding via Structured Scene Graph Matching [2.4737219202679808]
SceneGrapherは,再構成された3次元シーングラフ上の構造化グラフマッチングとして3次元グラウンドを再構成するフレームワークである。
我々は,移動ロボットによる実世界展開によるフレームワークの実証を行い,長距離物理環境における堅牢な空間推論を実証した。
論文 参考訳（メタデータ） (2026-05-20T22:30:51Z) - CrossView Suite: Harnessing Cross-view Spatial Intelligence of MLLMs with Dataset, Model and Benchmark [77.29150285469736]
空間知能は、単一視点の知覚と理性を超えるためにマルチモーダルな大言語モデル(MLLM)を必要とする。
CrossView Suiteは、CrossViewSet、CrossViewBench、CrossViewerの3つの協調コンポーネントで開発しています。
提案手法は, 適応型空間領域トークンーザを備え, 微細なオブジェクト表現をキャプチャし, マルチビューオブジェクトを明示的にアライメントする。
論文 参考訳（メタデータ） (2026-05-18T16:31:31Z) - Finding NeMO: A Geometry-Aware Representation of Template Views for Few-Shot Perception [9.145558382187524]
本稿では、RGB画像を用いたトレーニング中に見つからない物体の6DoFポーズの検出、セグメント化、推定に使用できる新しいオブジェクト中心表現を提案する。
本手法は,オブジェクトがスパースなオブジェクトのような点群を生成するために,オブジェクトを描写するRGBテンプレートビューを少数必要とするようなエンコーダから構成される。
次に、デコーダは、オブジェクトをクエリ画像とともに符号化し、様々な密集した予測を生成する。
論文 参考訳（メタデータ） (2026-02-04T09:12:05Z) - MB-ORES: A Multi-Branch Object Reasoner for Visual Grounding in Remote Sensing [0.08192907805418585]
本稿では,オブジェクト検出(OD)と視覚的接地(VG)を統合した統合フレームワークを提案する。
本モデルは,OPT-RSVGおよびDIOR-RSVGデータセットにおいて優れた性能を示す。
論文 参考訳（メタデータ） (2025-03-31T15:36:41Z) - Context Disentangling and Prototype Inheriting for Robust Visual
Grounding [56.63007386345772]
ビジュアルグラウンドディング(VG)は、与えられた言語クエリに基づいて、画像内の特定のターゲットを特定することを目的としている。
本稿では,両シーンを両シーンで処理する堅牢な視覚的グラウンド化のために,コンテキストの切り離しとプロトタイプを継承する新しいフレームワークを提案する。
本手法は両シナリオにおいて最先端の手法よりも優れる。
論文 参考訳（メタデータ） (2023-12-19T09:03:53Z) - Multi-modal Transformers Excel at Class-agnostic Object Detection [105.10403103027306]
既存の手法では、人間の理解可能な意味論によって支配されるトップダウンの監視信号が欠落していると論じる。
マルチスケール特徴処理と変形可能な自己アテンションを用いた効率よく柔軟なMViTアーキテクチャを開発した。
多様なアプリケーションにおけるMViT提案の重要性を示す。
論文 参考訳（メタデータ） (2021-11-22T18:59:29Z) - Rethinking Cross-modal Interaction from a Top-down Perspective for
Referring Video Object Segmentation [140.4291169276062]
ビデオオブジェクトセグメンテーション(RVOS)は、ビデオオブジェクトを自然言語参照のガイダンスでセグメント化することを目的としている。
以前の手法では、画像格子上の言語参照を直接グラウンド化することで、RVOSに対処するのが一般的であった。
そこで本研究では,複数のサンプルフレームから検出されたオブジェクトマスクをビデオ全体へ伝播させることにより,オブジェクトトラッカーの徹底的なセットを構築した。
次に,Transformerベースのトラックレット言語基底モジュールを提案し,インスタンスレベルの視覚的関係とモーダル間相互作用を同時に,効率的にモデル化する。
論文 参考訳（メタデータ） (2021-06-02T10:26:13Z)
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。