Fugu-MT 論文翻訳(概要): Seeing Less in a Sparse World: Cross-View Geolocalization from Limited Field-of-View Observations

論文の概要: Seeing Less in a Sparse World: Cross-View Geolocalization from Limited Field-of-View Observations

arxiv url: http://arxiv.org/abs/2611.00288v1
Date: Fri, 30 Oct 2026 19:14:36 GMT
ステータス: 情報取得中
システム内更新日: 2026-11-03 20:14:34.093573
Title: Seeing Less in a Sparse World: Cross-View Geolocalization from Limited Field-of-View Observations
Title（参考訳）: まばらな世界を見ない:有限視野観測によるクロスビュージオローカライゼーション
Abstract要約: クロスビュー地形化は、対応する衛星画像を取得することにより、地上画像の地理的位置を決定することを目的としている。我々は,50万点以上の地上衛星画像からなる大規模グローバル分散データセットであるCross-View World 500k(CVW500k)を紹介した。さらに,クエリベースのクロスビューフュージョントランスフォーマフレームワークであるGeoQueryNetを提案する。
参考スコア（独自算出の注目度）: 4.3441332321802095
License:
Abstract: Cross-view geolocalization aims to determine the geographic location of a ground-level image by retrieving its corresponding satellite image, offering a promising alternative for localization in Global Navigation Satellite System (GNSS)-denied or degraded environments such as urban canyons, dense forests, and disaster scenarios. Despite recent progress, existing approaches remain limited by the lack of globally diverse training datasets and benchmarks that are often geographically restricted. Furthermore, most benchmarks rely on panoramic ground views, which do not reflect the limited field-of-view imagery captured by real world cameras. To address these challenges, we introduce Cross-View World 500k (CVW500k), a large-scale globally distributed dataset containing over 500,000 ground-satellite image pairs collected across diverse geographic regions and environments. Unlike previous datasets, CVW500k uses limited field-of-view ground images, providing a more realistic and challenging setting for cross-view geolocalization. In addition, we propose GeoQueryNet, a query-based cross-view fusion transformer framework designed to bridge the viewpoint gap between ground and satellite images. The model leverages a CLIP-based visual encoder with parameter-efficient LoRA adaptation and introduces a Cross-View Alignment Module that uses learnable query tokens to extract geographically consistent features across viewpoints. Our code can be found here: https://github.com/Fahim17/Cross_View_World_Dataset.git .
Abstract（参考訳）: クロスビュー・ジオローカライゼーションは,地球航法衛星システム(GNSS)による都市キャニオン,密林,災害シナリオなどの劣化環境のローカライゼーションの代替として,対応する衛星画像を取得することで地上画像の地理的位置を決定することを目的としている。最近の進歩にもかかわらず、既存のアプローチは、地理的に制限されたグローバルな多様なトレーニングデータセットとベンチマークの欠如によって制限され続けている。さらに、ほとんどのベンチマークはパノラマ画像に依存しており、これは現実世界のカメラが捉えた視野の限られたイメージを反映していない。これらの課題に対処するために、クロスビューワールド500k(CVW500k)という、さまざまな地域や環境にまたがって収集された50,000以上の地上衛星画像のペアを含む、大規模に分散したデータセットを紹介した。従来のデータセットとは異なり、CVW500kは視野の限られた地上画像を使用しており、より現実的で困難な地形設定を提供する。また,地上画像と衛星画像の視点ギャップを橋渡しするクエリベースのクロスビューフュージョントランスフォーマフレームワークであるGeoQueryNetを提案する。このモデルはパラメータ効率のよいLoRA適応を備えたCLIPベースのビジュアルエンコーダを活用し、学習可能なクエリトークンを使用して、視点間で地理的に一貫した特徴を抽出するクロスビューアライメントモジュールを導入している。私たちのコードは、https://github.com/Fahim17/Cross_View_World_Dataset.git で参照できます。

関連論文リスト

Learning Cross-view Correspondences for Geo-localization on Planetary Surfaces [12.693029310111143]
我々は,高解像度の月面地形モデルから得られた物理的にレンダリングされた表面パノラマと頭上タイルから構築された新しいクロスビュージオローカライゼーションベンチマークを導入する。本研究では, 現状の変圧器を用いたジオローカライズ手法の性能を, スクラッチからトレーニングし, 精度を報告する。
論文参考訳（メタデータ） (2026-06-29T05:58:00Z)
Global Cross-Modal Geo-Localization: A Million-Scale Dataset and a Physical Consistency Learning Framework [13.268717213871147]
クロスモーダルジオローカライゼーション(CMGL)は、地上レベルのテキスト記述とジオタグ付き空中画像とを一致させる。グローバルCMGL専用の最初の100万規模のデータセットであるCOREを紹介する。モーダルな地理的ローカライゼーションのための物理ロッド・アウェア・ネットワーク(PLANET)を提案する。
論文参考訳（メタデータ） (2026-03-09T15:27:19Z)
MMLANDMARKS: a Cross-View Instance-Level Benchmark for Geo-Spatial Understanding [4.493333639603517]
本稿では,高解像度空中画像197k,地上視画像329k,テキスト情報,地理的座標の4つの指標からなるマルチモーダルランドマークデータセット(MMLANDMARKS)を紹介する。 MMLANDMARKSデータセットは、すべてのモードにわたって1対1の対応を持ち、様々な地理空間的タスクのトレーニングとベンチマークモデルを可能にする。
論文参考訳（メタデータ） (2025-12-19T12:03:05Z)
Scaling Image Geo-Localization to Continent Level [48.7766435870634]
本稿では,大陸規模を拡大する大規模地形をまたいだ微粒な地理的局在化を実現するためのハイブリッドアプローチを提案する。我々は、訓練中にプロキシ分類タスクを利用して、正確な位置情報を暗黙的にエンコードするリッチな特徴表現を学習する。我々の評価は,ヨーロッパの大部分をカバーするデータセットのクエリの68%以上を200m以内でローカライズできることを示す。
論文参考訳（メタデータ） (2025-10-30T17:59:35Z)
Cross-View Image Set Geo-Localization [29.13525096798705]
クロスビュージオローカライゼーション(CVGL)はロボットナビゲーションや拡張現実といった分野に広く応用されている。そこで我々は, 多様な視点で複数の画像を収集し, ローカライズのためのクエリセットとして, クロスビュー画像セットジオローカライズ(Set-CVGL)を提案する。
論文参考訳（メタデータ） (2024-12-25T09:46:14Z)
Cross-view image geo-localization with Panorama-BEV Co-Retrieval Network [12.692812966686066]
クロスビュージオローカライゼーションは、地理参照衛星データベースとマッチングすることで、ストリートビュー画像の地理的位置を識別する。そこで我々は,パノラマBEVコレトリヴァルネットワーク(Panorama-BEV Co-Retrieval Network)という,クロスビュー画像のジオローカライズのための新しいアプローチを提案する。
論文参考訳（メタデータ） (2024-08-10T08:03:58Z)
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)
Where in the World is this Image? Transformer-based Geo-localization in the Wild [48.69031054573838]
世界各地で撮影された地上レベルのRGB画像から地理的位置(ジオローカライゼーション)を予測することは、非常に難しい問題です。画像全体の細部を網羅する統合型デュアルブランチトランスネットワークであるTransLocatorを提案する。我々は、Im2GPS、Im2GPS3k、YFCC4k、YFCC26kの4つのベンチマークデータセットでTransLocatorを評価し、5.5%、14.1%、4.9%、9.9%の大陸レベルの精度改善を得た。
論文参考訳（メタデータ） (2022-04-29T03:27:23Z)
Beyond Cross-view Image Retrieval: Highly Accurate Vehicle Localization Using Satellite Image [91.29546868637911]
本稿では,地上画像と架空衛星地図とをマッチングすることにより,車載カメラのローカライゼーションの問題に対処する。鍵となる考え方は、タスクをポーズ推定として定式化し、ニューラルネットベースの最適化によってそれを解くことである。標準自動運転車のローカライゼーションデータセットの実験により,提案手法の優位性が確認された。
論文参考訳（メタデータ） (2022-04-10T19:16:58Z)
Accurate 3-DoF Camera Geo-Localization via Ground-to-Satellite Image Matching [102.39635336450262]
地上で取得したクエリ画像とジオタグ付き衛星画像の大規模データベースとをマッチングすることにより、地上から衛星画像のジオローカライズの問題に対処する。我々の新しい手法は、衛星画像のピクセルサイズの精度まで、クエリー画像のきめ細かい位置を達成できる。
論文参考訳（メタデータ） (2022-03-26T20:10:38Z)

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。