論文の概要: Grounding Across Views: Cross-View Referring Reasoning for Visual Grounding
- arxiv url: http://arxiv.org/abs/2611.01074v1
- Date: Sat, 31 Oct 2026 16:12:38 GMT
- ステータス: 情報取得中
- システム内更新日: 2026-11-03 19:49:16.574636
- Title: Grounding Across Views: Cross-View Referring Reasoning for Visual Grounding
- Title（参考訳）: グラウンドディング・アクロスビュー:ビジュアルグラウンドニングのためのクロスビュー参照推論
- Abstract要約: 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、他の視点で捉えた観測から衛星画像中のターゲットをローカライズすることを目的としている。
本稿では,参照表現と視覚的見本詞を併用して,従来の点数または箱数で示されるCVOGLをグラウンドに拡張するクロスビュービジュアルグラウンド(CVVG)を定式化する。
- 参考スコア（独自算出の注目度）: 13.380168201929932
- License:
- Abstract: Cross-view object geo-localization (CVOGL) aims to localize a target in a satellite image from an observation captured under another viewpoint. Existing methods typically specify the query with a click point or bounding box, marking the target region but underusing the semantic attributes and relations conveyed by natural language. Moreover, referring expressions are often viewpoint-dependent, making query-view descriptions difficult to ground directly in the satellite image. In this paper, we formulate cross-view visual grounding (CVVG), extending conventional point- or box-prompted CVOGL to instance grounding jointly guided by a referring expression and a visual exemplar. We present GAV (Grounding Across Views), a view-aware framework for selectively transferring visual and linguistic evidence across views. Its core is view-aware referring reasoning: target-centered descriptions are derived from the marked query image, checked for target-category consistency, and augmented with a direction-free role cue. Exemplar prompting, cross-view alignment, and scene-level discrimination ground this semantic evidence in a satellite instance. GAV achieves a new state of the art on MoP-UAV with 62.55% Acc@0.5. We also introduce CVOGL-Text, a benchmark for text-guided grounding from street- and drone-view queries to satellite images. GAV outperforms the click-point baseline by 7.09 and 6.79 Acc@0.25 points on the street- and drone-view splits, respectively, demonstrating robustness to larger viewpoint gaps. The code and annotations will be publicly released.
- Abstract（参考訳）: 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、他の視点で捉えた観測から衛星画像中のターゲットをローカライズすることを目的としている。
既存のメソッドは通常、クエリをクリックポイントまたはバウンディングボックスで指定し、ターゲット領域をマークします。
さらに、参照表現はしばしば視点に依存しており、クエリビュー記述が衛星画像に直接接地することを困難にしている。
本稿では,参照表現と視覚的見本詞を併用して,従来の点数または箱数で示されるCVOGLをグラウンドに拡張するクロスビュービジュアルグラウンド(CVVG)を定式化する。
GAV(Grounding Across Views)は,視覚的および言語的証拠を視点に選択的に伝達するビューアウェアフレームワークである。
ターゲット中心の記述は、マークされたクエリイメージから派生し、ターゲットカテゴリの一貫性を確認し、方向のないロールキューで拡張する。
典型的なプロンプト、クロスビューアライメント、シーンレベルの識別は、このセマンティックエビデンスを衛星インスタンスに根拠付けている。
GAVは62.55%のAcc@0.5でMoP-UAVの最先端を実現している。
また、ストリートビューやドローンビュークエリから衛星画像へのテキスト誘導グラウンドのベンチマークであるCVOGL-Textも導入した。
GAVは、ストリートビューとドローンビューのスプリットでクリックポイントベースラインを7.09と6.79Acc@0.25で上回り、より大きな視点ギャップに対して堅牢性を示す。
コードとアノテーションは公開されます。
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) - GRASP: Granularity-Aware Region Alignment and Semantic Prototype Learning for Fine-Grained Cross-Modal Understanding in Drone Views [12.957721462609491]
微粒なクロスモーダル理解は、空中視覚言語ナビゲーションに不可欠である。
マクロレベルでは、視覚的表現における圧倒的な背景の乱雑さは、クロスモーダルフォーカスの修正につながる。
視覚的同型は曖昧さを生じさせ、候補者は類似した幾何学的構造を共有するが、微妙な属性でのみ異なる。
論文 参考訳（メタデータ） (2026-08-10T08:26:47Z) - ReferTrack: Referring Then Tracking for Embodied Visual Tracking [13.368122578638847]
Embodied visual tracking (EVT) は、自然言語で記述された特定のターゲットを連続的に追従する移動体エージェントを必要とする。
ReferTrackは、1台の前方カメラでEVTをグラウンド化する参照then追跡パラダイムである。
このモデルでは、まずインデックス付き境界ボックスからターゲットを選択し、次に、この画像グラウンド決定で条件付けられた追跡経路をデコードする。
論文 参考訳（メタデータ） (2026-07-22T12:05:13Z) - SkyLink: Unifying Street-Satellite Geo-Localization via UAV-Mediated 3D Scene Alignment [8.886221192801381]
クロスビュージオローカライゼーションは、異なる視点間の位置対応を確立することを目的としている。
既存のアプローチは通常、直接的特徴類似性マッチングを通じて、クロスビュー相関を学習する。
本稿では,この特異な問題に対処する新しいSkyLink法を提案する。
論文 参考訳（メタデータ） (2025-09-29T13:43:18Z) - AerialVG: A Challenging Benchmark for Aerial Visual Grounding by Exploring Positional Relations [51.44608822712786]
ビジュアルグラウンドイングは、自然言語記述に基づいたイメージ内のターゲットオブジェクトのローカライズを目的としている。
AerialVGは、例えば外見に基づく接地は、複数の視覚的に類似した物体を識別するには不十分である。
5Kの空中画像,50Kの注釈付き記述,103Kのオブジェクトからなる,最初のAerialVGデータセットを紹介した。
論文 参考訳（メタデータ） (2025-04-10T15:13:00Z) - VAGeo: View-specific Attention for Cross-View Object Geo-Localization [19.4845592498138]
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、衛星画像内の捕獲された地上画像やドローン画像への関心の対象を見つけることを目的としている。
本稿では,正確なCVOGLのためのビュー固有アテンションジオローカライズ手法(VAGeo)を提案する。
論文 参考訳（メタデータ） (2025-01-13T10:42:18Z) - In Defense of Lazy Visual Grounding for Open-Vocabulary Semantic Segmentation [50.79940712523551]
我々は,非教師対象マスク発見の2段階的アプローチである遅延視覚接地を行い,それに続いて物体接地を行う。
私たちのモデルは、追加のトレーニングは必要ありませんが、5つの公開データセットで優れたパフォーマンスを示します。
論文 参考訳（メタデータ） (2024-08-09T09:28:35Z) - Advancing Visual Grounding with Scene Knowledge: Benchmark and Method [74.72663425217522]
ビジュアルグラウンドディング(VG)は、視覚と言語の間にきめ細かいアライメントを確立することを目的としている。
既存のVGデータセットの多くは、単純な記述テキストを使って構築されている。
我々は、アンダーラインScene underline-guided underlineVisual underlineGroundingの新たなベンチマークを提案する。
論文 参考訳（メタデータ） (2023-07-21T13:06:02Z) - CVLNet: Cross-View Semantic Correspondence Learning for Video-based
Camera Localization [89.69214577915959]
本稿では,クロスビューカメラのローカライゼーション問題に対処する。
本稿では、類似性マッチングの前に、問合せカメラの衛星画像に対する相対変位を推定する。
実験は、単一の画像に基づく位置決めよりもビデオベースの位置決めの有効性を実証した。
論文 参考訳（メタデータ） (2022-08-07T07:35:17Z) - 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。