論文の概要: GeoGAT: Bidirectional Temporal Sampling Meets Hierarchical Graph Attention for Global Video Geo-localization

• arxiv url: http://arxiv.org/abs/2609.39128v1
• Date: Wed, 30 Sep 2026 07:01:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.303425
• Title: GeoGAT: Bidirectional Temporal Sampling Meets Hierarchical Graph Attention for Global Video Geo-localization
• Title（参考訳）: GeoGAT:グローバルなビデオジオローカライゼーションのための階層的なグラフアテンションと双方向テンポラルサンプリング
• Abstract要約: 時間サンプリングとグラフアテンションネットワーク(GAT)を統合したGeoGATを提案する。 GeoGAT10kは、世界中の166都市で編集された9,720本のビデオで構成され、複雑なビデオ構造の一般化能力をベンチマークするために構築されている。 Cityr68kではGeoGATが最強のベースラインを上回り、分類と検索の両方のプロトコルで評価され、市レベルでは2.6ポイントとなっている。 マルチショット編集ビデオによるより困難なGeoGAT10kでは、精度の改善は24ポイントを超え、複雑な実世界のシナリオへの強力な一般化を検証している。
• 参考スコア（独自算出の注目度）: 20.80962722670354
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Global video geo-localization aims to infer the geographic location of a video worldwide, evaluating performance across four geographic hierarchies: city, state/province, country, and continent. Existing methods typically employ one-way uniform sampling to process video frames and train independent classifiers for each hierarchy, which leads to the loss of key geographic cues and prediction conflicts between hierarchies, especially for complex multi-shot edited videos. To address these limitations, we propose GeoGAT, which integrates bidirectional temporal sampling with graph attention networks (GATs). Specifically, GeoGAT extracts forward and offset-reversed frame sequences to construct complementary spatiotemporal features. These fused features are then fed into a predefined geographical hierarchy graph, where GATs perform structure-aware message passing, while a dual-constraint mechanism prunes predictions to eliminate cross-hierarchy conflicts. We construct GeoGAT10k, comprising 9,720 multi-shot edited videos from 166 cities worldwide, specifically to benchmark generalization ability on complex video structures. Experimental results on CityGuessr68k and GeoGAT10k demonstrate that GeoGAT eliminates hierarchical conflicts entirely and achieves state-of-the-art performance across all four geographic hierarchies. On CityGuessr68k, GeoGAT outperforms the strongest baseline, evaluated under both classification and retrieval protocols, by 2.6 percentage points at the city level. On the more challenging GeoGAT10k with multi-shot edited videos, the accuracy improvement exceeds 24 percentage points, validating strong generalization to complex real-world scenarios.
• Abstract（参考訳）: グローバルビデオの地理的ローカライゼーションは、地理的な位置を世界規模で推測することを目的としており、都市、州、州、大陸という4つの地理的階層におけるパフォーマンスを評価する。 既存の手法では、一方向一様サンプリングを用いてビデオフレームを処理し、各階層に対して独立した分類器を訓練する。 これらの制約に対処するため、双方向時間サンプリングとグラフアテンションネットワーク(GAT)を統合したGeoGATを提案する。 具体的には、GeoGATは前向きおよびオフセット逆フレームシーケンスを抽出し、相補的な時空間的特徴を構成する。 これらの融合した機能は事前に定義された地理的階層グラフに入力され、GATは構造を意識したメッセージパッシングを行う。 GeoGAT10kは、世界中の166都市から9,720のマルチショット編集ビデオで構成され、複雑なビデオ構造に対する一般化能力をベンチマークするために構築されている。 CityGuessr68kとGeoGAT10kの実験結果は、GeoGATが階層的競合を完全に排除し、4つの地理的階層全体にわたって最先端のパフォーマンスを達成することを示した。 CityGuessr68kではGeoGATが最強のベースラインを上回り、分類と検索の両方のプロトコルで評価され、市レベルでは2.6ポイントとなっている。 マルチショット編集ビデオによるより困難なGeoGAT10kでは、精度の改善は24ポイントを超え、複雑な実世界のシナリオへの強力な一般化を検証している。

関連論文リスト

• DualGeo: A Dual-View Framework for Worldwide Image Geo-localization [24.463319677769405]
  本研究では,世界規模の画像位置情報化のための2段階フレームワークであるDualGeoを提案する。 まず、画像とセマンティックセグメンテーション機能を融合させることで、地理的表現基盤を確立する。 第2に、地理的クラスタリングを用いて、検索された候補を再ランク付けすることで、地理認知の洗練を行う。 実験の結果、DualGeoは最先端の手法より優れており、街路レベル(1km)と都市レベル(25km)のローカライゼーション精度はそれぞれ3.6%-16.58%、1.29%-8.77%向上している。
  論文  参考訳（メタデータ） (2026-04-28T12:00:04Z)
• VidTAG: Temporally Aligned Video to GPS Geolocalization with Denoising Sequence Prediction at a Global Scale [46.71012068113612]
  ビデオジオローカライゼーションの課題は、ビデオの起源の正確なGPS座標を決定し、その軌跡をマッピングすることである。 自己教師機能と言語対応機能の両方を用いてフレーム・ツー・GPS検索を行う,デュアルエンコーダ・フレームワークであるVidTAGを提案する。 提案手法は,ビデオの微粒化を可能とし,今後の研究の基盤となる。
  論文  参考訳（メタデータ） (2026-04-14T00:35:07Z)
• Learning to Wander: Improving the Global Image Geolocation Ability of LMMs via Actionable Reasoning [72.13218601075958]
  textbfWanderBenchは,具体的シナリオにおける行動可能な位置情報推論のための,最初のオープンアクセスグローバルジオロケーションベンチマークである。 我々は,下線Action of UnderlineThoughを用いた下線Geolocationフレームワークである textbfGeoAoT (Action of Thought) を提案する。 19個の大規模マルチモーダルモデルによる実験により、GeoAoTは動的環境におけるより優れた微細な局所化とより強力な一般化を実現することが示された。
  論文  参考訳（メタデータ） (2026-03-11T06:24:10Z)
• 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)
• GeoRanker: Distance-Aware Ranking for Worldwide Image Geolocalization [23.297305067573316]
  画像ジオローカライズのための距離対応ランキングフレームワークGeoRankerを提案する。 絶対距離と相対距離の両方をランク付けする多階距離損失を導入し、構造的空間関係をモデル化する。 GeoRankerは、2つの確立されたベンチマークで最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-05-19T21:04:46Z)
• 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)
• Geo-Encoder: A Chunk-Argument Bi-Encoder Framework for Chinese Geographic Re-Ranking [61.60169764507917]
  中国の地理的再ランクタスクは、検索された候補者の中で最も関連性の高い住所を見つけることを目的としている。 そこで我々は,中国語の地理的意味論をより効果的に統合する,革新的なフレームワークであるGeo-Encoderを提案する。
  論文  参考訳（メタデータ） (2023-09-04T13:44:50Z)

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。