論文の概要: S$^3$Geo: Structure-Semantic Synergistic Learning for Cross-View Geo-Localization
- arxiv url: http://arxiv.org/abs/2610.11608v1
- Date: Thu, 08 Oct 2026 09:51:31 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-10 11:59:33.749134
- Title: S$^3$Geo: Structure-Semantic Synergistic Learning for Cross-View Geo-Localization
- Title（参考訳）: S$3$Geo: クロスビュージオローカライゼーションのための構造意味的相乗学習
- Abstract要約: クロスビュージオローカライゼーション(CVGL)は、異なる視点から撮影された画像とマッチングすることで、地理的な位置を推定することを目的としている。
既存の手法は主に視覚表現に依存しているが、しばしば細粒度の構造的対応と意味的先行を共同でモデル化することができない。
textbfS$3$Geoは、クロスビューマッチングのための構造意味の相乗的学習フレームワークである。
- 参考スコア（独自算出の注目度）: 7.834035168358734
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cross-view geo-localization (CVGL) aims to estimate geographic locations by matching images captured from different viewpoints, such as drone and satellite views. Existing methods mainly rely on visual representations, but often fail to jointly model fine-grained structural correspondences and semantic priors, making them prone to confusion between visually similar but semantically different regions, and thus limiting robustness under large viewpoint variations. To address these challenges, we propose \textbf{S$^3$Geo}, a structure-semantic synergistic learning framework for cross-view matching. Specifically, we first introduce a Decoupled Query Pooling (DQP) module to extract a compact set of region-aware features from dense tokens, enabling explicit modeling of local structural patterns. We then design a query-level contrastive learning scheme with an optimal transport (OT)-based formulation to establish soft correspondences under cross-view spatial misalignment. Furthermore, we incorporate a Semantic Knowledge Distillation (SKD) strategy from a frozen CLIP teacher to transfer semantic priors and relational structures, thereby improving discrimination on hard negatives. By operating synergistically, the semantic priors provide robust contextual filtering, which guides the structural module to establish precise spatial alignments. Experiments on the University-1652 and SUES-200 datasets demonstrate that \textbf{S$^3$Geo} consistently outperforms state-of-the-art approaches without increasing inference complexity, validating the effectiveness of jointly modeling structural and semantic information for CVGL.
- Abstract（参考訳）: クロスビュージオローカライゼーション(CVGL)は、ドローンや衛星のビューなど、さまざまな視点から撮影された画像とマッチングすることで、地理的な位置を推定することを目的としている。
既存の手法は主に視覚表現に依存しているが、しばしば細粒度の構造的対応とセマンティック先行を共同でモデル化することに失敗し、視覚的に類似しているが意味的に異なる領域の混同を招きやすい。
これらの課題に対処するために、クロスビューマッチングのための構造意味論的相乗的学習フレームワークである \textbf{S$^3$Geo} を提案する。
具体的には、まずDQP(Decoupled Query Pooling)モジュールを導入し、高密度トークンから領域認識特徴のコンパクトなセットを抽出し、局所構造パターンの明示的なモデリングを可能にする。
次に、最適輸送(OT)に基づく定式化による問合せレベルのコントラスト学習方式を設計し、空間的不整合の下でソフトな対応性を確立する。
さらに,凍結したCLIP教師のセマンティック知識蒸留(SKD)戦略を取り入れ,セマンティック知識の事前関係や関係構造を伝達し,ハードネガティブの識別を改善する。
シナジスティックに操作することで、セマンティックプリエントは、構造モジュールに正確な空間アライメントを確立するための堅牢なコンテキストフィルタリングを提供する。
ユニヴァーシティ-1652とSUES-200データセットの実験では、 \textbf{S$^3$Geo} は推論の複雑さを増大させることなく常に最先端のアプローチを上回り、CVGLの構造と意味情報を共同でモデル化する効果を検証している。
関連論文リスト
- Location-Aware Language Models via Secondary Embeddings [4.784071359791487]
本研究では,地空間認識を事前学習した埋め込みに注入するための,軽量でモデルに依存しないアプローチを提案する。
本手法は,位置名と対応する緯度と経度を組み合わせることで,地理的な構造を持つ入力表現を増強する。
実験により,標準NLPベンチマークにおいて同等の性能を維持しつつ,地理空間アライメントを大幅に改善した。
論文 参考訳（メタデータ） (2026-08-31T22:48:37Z) - GeoSeg-OV: Bridging Geospatial Gaps with Structural Guidance for Open-Vocabulary Remote Sensing Segmentation [7.3929592417688275]
補助的なVFM機能を視覚テキストマッチングから切り離し、コスト集約とデコードのための構造的ガイダンスとして再利用するGeoSeg-OVを提案する。
6大陸にまたがる7つのデータセットにまたがる世界規模の高解像度土地被覆ベンチマークでは、GeoSeg-OVは2つのトレーニング設定の下で、最先端のmIoUを+2.5および+2.7の平均mIoUで上回っている。
論文 参考訳（メタデータ） (2026-08-11T03:18:22Z) - From Extrinsic to Intrinsic: Geodesic-Guided Representation Learning for 3D Geometric Data [56.41479248637621]
我々は,textbfPreトレーニングのための新しい3D表現学習パラダイムであるtextbfPRISMを紹介した。
PRISMは textbfIntrinsic textbfSurface geodesic textbfMetric を検索して埋め込みを学習する。
提案手法は測地線距離予測において, 良好な精度, 堅牢性, 高効率性を示す。
論文 参考訳（メタデータ） (2026-06-01T13:54:26Z) - GeoMamba: A Geometry-driven MambaVision Framework and Dataset for Fine-grained Optical-SAR Object Retrieval [54.741349848771144]
GeoMambaは光学SAR微細検索のための幾何学駆動フレームワークである。
GFIモジュールは、クロスモーダルな機能相互作用を強化し、構造的な事前を組み込む。
GeoMambaは既存の手法を上回り、全検索環境で63.3% mAPと77.0% Rank-1の精度を達成した。
論文 参考訳（メタデータ） (2026-05-19T12:08:09Z) - Learning to Perceive "Where": Spatial Pretext Tasks for Robust Self-Supervised Learning [17.753167530453997]
空間認識型プレテキスト回帰タスクである空間予測を導入し、同じ画像から一対の非絡み合ったローカルビュー間の相対的な位置とスケールを予測する。
連続幾何学空間における部分対部分関係をモデル化することにより、SPは表現がきめ細かい空間依存を捉えることを奨励する。
実験では、画像認識、きめ細かな分類、セマンティックセグメンテーション、深さ推定、および物体認識におけるアウト・オブ・ディストリビューションの大幅な向上が示されている。
論文 参考訳（メタデータ） (2026-05-11T04:15:34Z) - GeoMeld: Toward Semantically Grounded Foundation Models for Remote Sensing [33.72621953693859]
GeoMeldは大規模なマルチモーダルデータセットで、約250万個の空間的に整列したサンプルがある。
GeoMeldは、エージェントキャプションフレームワークを通じて意味論的に基盤付けられた言語管理を提供する。
GeoMeld-FMは、アライメントされたモダリティ、JEPA表現学習、キャプション-ビジョンのコントラストアライメントを多言語で表した自動エンコーディングを組み合わせた事前トレーニングフレームワークである。
論文 参考訳（メタデータ） (2026-04-12T11:47:11Z) - CLNet: Cross-View Correspondence Makes a Stronger Geo-Localizationer [48.52152634356309]
本稿では,異なるビュー間の意味的および幾何学的ギャップを明示的に橋渡しする,CLNetと呼ばれる通信対応機能改善フレームワークを提案する。
CLNetはビューアライメントプロセスを3つの学習可能な補完モジュールに分解する。
提案するCLNetは、より優れた解釈性と一般化性を提供しながら、最先端の性能を実現する。
論文 参考訳（メタデータ） (2025-12-16T16:31:41Z) - GeoDiT: A Diffusion-based Vision-Language Model for Geospatial Understanding [14.436063587920005]
地理空間領域に適した初めての拡散型視覚言語モデルであるGeoDiTを紹介する。
画像キャプション、視覚的接地、多物体検出において大きな進歩を遂げる。
本研究は, 複雑な地理空間解析において, 生成過程とデータ固有の構造との整合性が, 優れた性能の鍵となることを検証する。
論文 参考訳（メタデータ） (2025-12-02T07:59:46Z) - 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) - LAW-Diffusion: Complex Scene Generation by Diffusion with Layouts [107.11267074981905]
LAW拡散(LAW-Diffusion)と呼ばれる意味制御可能なレイアウト・AWare拡散モデルを提案する。
LAW拡散は、特にコヒーレントな対象関係を持つ最先端の生成性能をもたらすことを示す。
論文 参考訳（メタデータ） (2023-08-13T08:06:18Z) - HSVA: Hierarchical Semantic-Visual Adaptation for Zero-Shot Learning [74.76431541169342]
ゼロショット学習(ZSL)は、目に見えないクラス認識の問題に取り組み、目に見えないクラスから目に見えないクラスに意味的な知識を移す。
本稿では,意味領域と視覚領域を協調させる新しい階層型意味視覚適応(HSVA)フレームワークを提案する。
4つのベンチマークデータセットの実験では、HSVAは従来のZSLと一般的なZSLの両方で優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-30T14:27:50Z)
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。