論文の概要: Recovering from Pose-Selection Failures in Repeated Visual Localization

• arxiv url: http://arxiv.org/abs/2610.16409v1
• Date: Mon, 12 Oct 2026 08:45:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 23:23:14.126163
• Title: Recovering from Pose-Selection Failures in Repeated Visual Localization
• Title（参考訳）: 繰り返し視覚像定位におけるポス選択失敗からの回復
• Abstract要約: History-Guided Pose Reselectionは、リファインメントのポーズではなく、セレクションの予測を使用する。 NAVER Gangnam B1では、HPRは97のHLOC故障を修正し、6つの成功を逃した。
• 参考スコア（独自算出の注目度）: 10.736590511725355
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Repetitive structures can give an incorrect pose candidate more inlier support than an accurate one, causing visual localization to select it. History-Guided Pose Reselection (HPR) uses coarse position forecasts from up to five past localization outputs to distinguish well-separated current-query candidates. The best-fitting forecast proposes an alternative; HPR accepts it only if every well-fitting forecast is much closer to it than to the localizer's pose. HPR needs no odometry and returns the selected candidate unchanged, using prediction for selection rather than pose refinement. With one development-set threshold, HPR improves recall within 5 meters and 10 degrees in all 12 main configurations of Hierarchical Localization (HLoc), MASt3R-based pose generation, and JIST-based retrieval, losing successes on fewer than 0.4 percent of queries. On NAVER Gangnam B1, HPR corrects 97 HLoc failures and loses six successes; gains persist within 0.25 meters and 2 degrees on all three HLoc test sets. Median HPR runtime on HLoc candidates is below one millisecond, excluding pose generation. Recovery weakens under less frequent localization.
• Abstract（参考訳）: 反復的な構造は、正確なものよりも不適切なポーズ候補をより不適切なサポートを与え、視覚的位置付けによって選択することができる。 History-Guided Pose Reselection (HPR)は、過去最大5回のローカライゼーション出力からの粗い位置予測を使用して、明確に区切られた現在のクエリ候補を識別する。 HPRは、適切な予測がローカライザのポーズよりもはるかに近い場合にのみ、それを受け入れる。 HPRはオドメトリを必要とせず、選択した候補を変更せずに返却する。 開発セットのしきい値の1つで、HPRは階層的ローカライゼーション(HLOC)、MASt3Rベースのポーズ生成、JISTベースの検索といった12の主構成すべてにおいて、リコールを5メートルから10度以内に改善し、クエリの0.4%未満で成功を喪失する。 ナバー・ガンナムB1では97回のHLOCの故障を補正し6回成功し、3回のHLOCテストセットで0.25メートルと2度の上昇を継続する。 HLOC候補の中間HPRランタイムは、ポーズ生成を除いて1ミリ秒以下である。 回復は、ローカライゼーションの少ない状態で弱まる。

関連論文リスト

• ReDiS: Reasoning-Diagnosis Self-Evolution for Multimodal Reasoning in Remote Sensing [53.65780048695954]
  我々は、推論探索と候補評価を分離するフレームワークである textbfReasoning-Diagnosis-Self-Evolution (ReDiS) を導入する。 多様な視覚的証拠を探索するtextbfReasoner と、完全な候補セットを共同で評価する textbfDiagnoser である。 LHRS-Bench, MME-RS, CHOICEの実験では、Qwen3.5バックボーンを0.8B, 2B, 4Bスケールで一貫した改善が見られた。
  論文  参考訳（メタデータ） (2026-10-13T13:38:02Z)
• P-SRM: Selective Recovery of Rejected Predictions in Visual Tracking [6.196176638909556]
  P-SRM (Post-rejection Selective Recovery Method) を提案する。 P-SRMを6つのトラッカーと4つのデータセットで評価した。 その結果, 退行後検証は, 自然拒絶によって捨てられた有用な予測を識別し, 回収できることがわかった。
  論文  参考訳（メタデータ） (2026-09-30T14:29:53Z)
• Overwhelmed by Choice: Studying LLM Decision Making at Scale [70.45144023754595]
  候補数の増加に伴い,複数選択および候補選択の評価を体系的に評価した。 タスク間での相当な精度劣化、戦略の推進、モデルスケールが見られます。 階層分割と置換に基づく推論は、HotpotQAとMIMICで約20パーセントの精度をN=160$で向上する。
  論文  参考訳（メタデータ） (2026-09-26T17:33:04Z)
• Who You Are Adds Nothing Detectable to Where You Go Next: Sociodemographic Conditioning in LLM Next-Location Prediction [7.654718773156241]
  社会デマトグラフィー属性の漸進的な予測値は未だ不明である。 この貢献を検証するために、社会デマトグラフィー記録は、5000人の深セン住民から受動的に知覚されたモビリティデータとリンクされた。 その結果、トップ1の精度は4つの履歴の長さで-0.8から+0.5まで変化しており、属性から得られる利得は見つからないことがわかった。
  論文  参考訳（メタデータ） (2026-09-09T02:06:10Z)
• SeqLoc: Beyond the Single Frame for Cross-View Geo-Localization in Feature-Sparse Scenes [49.30971835891526]
  OpenStreetMap (OSM) を用いたクロスビュージオローカライゼーションは、構造豊かな都市環境では良好に機能するが、農村道路のような特徴の少ないシーンでは崩壊する。 CV-FSSは5つの農村地域の連続パノラマとOSMマップの整列をペアリングするベンチマークである。 次に,3つのキーコンポーネントを持つログ信頼性ボリュームを維持するオンラインテスト時間シーケンスアグリゲーション機構であるSeqLocを提案する。
  論文  参考訳（メタデータ） (2026-08-08T00:42:23Z)
• Full-range Binary Classifier Calibration for Stable Model Updates in Production [0.23689955632456086]
  敵対的環境で実行される検出モデルは、良性分布が比較的安定している間に急速にドリフトする悪意のある分布に直面します。 既存のキャリブレーションプリミティブ上に構築されたFPR曲線全体を対象とする手法を提案する。 観察された相対FPR誤差は10%から0.1%FPRに、0.01%FPRに7.2%まで、少なくとも2.3%であった。
  論文  参考訳（メタデータ） (2026-07-06T15:44:47Z)
• RSPose: Ranking Based Losses for Human Pose Estimation [17.592681844374827]
  提案した損失は一般的な熱マップ損失(MSE, KL-Divergence)よりも優れていることを示す。 私たちの損失は、信頼度スコアとローカライゼーション品質の相関を著しく増大させます。 我々の知る限りでは、人間のポーズ推定のための評価基準(mAP)に沿う損失を最初に提案する。
  論文  参考訳（メタデータ） (2025-11-17T19:20:25Z)
• Scene-agnostic Pose Regression for Visual Localization [38.653251516665804]
  SPR(Scene-Agnostic Pose Regression)と呼ばれる新しいタスクを導入し、フレキシブルな方法で正確なポーズ回帰を実現する。 360SPRと360Locの両方のデータセットの未知のシーンでは、APR、RPR、VOを一貫して上回ります。
  論文  参考訳（メタデータ） (2025-03-25T10:58:40Z)
• SpellMapper: A non-autoregressive neural spellchecker for ASR customization with candidate retrieval based on n-gram mappings [76.87664008338317]
  文脈スペル補正モデルは、音声認識を改善するために浅い融合に代わるものである。 ミススペルn-gramマッピングに基づく候補探索のための新しいアルゴリズムを提案する。 Spoken Wikipediaの実験では、ベースラインのASRシステムに比べて21.4%のワードエラー率の改善が見られた。
  論文  参考訳（メタデータ） (2023-06-04T10:00:12Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。