論文の概要: GOOSELoc: A Multimodal Benchmark for Ground-to-Aerial Localization in Unstructured Off-Road Terrain
- arxiv url: http://arxiv.org/abs/2611.16162v1
- Date: Thu, 12 Nov 2026 01:49:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-14 01:36:33.298054
- Title: GOOSELoc: A Multimodal Benchmark for Ground-to-Aerial Localization in Unstructured Off-Road Terrain
- Title(参考訳): GOOSELOC:非構造オフロード地域での地上-空中位置推定のためのマルチモーダルベンチマーク
- Abstract要約: 地上カメラのジオグラフィック・ポーズを、地上センサーデータとジオレファレンス・オーバヘッド画像とをマッチングして推定する。
VIGORやKITTIのような既存のクロスビューベンチマークは、都市や道路のシーンで支配されている。
GOOSELocは,非構造環境における地上空間の局所化のためのマルチモーダルベンチマークである。
- 参考スコア(独自算出の注目度): 6.976740959206583
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Cross-view pose estimation estimates a ground camera's geographic pose by matching onboard sensor data with geo-referenced overhead imagery. This is particularly relevant when GNSS is unreliable, for example under forest canopy or in urban canyons. Existing metric cross-view benchmarks, such as VIGOR and cross-view KITTI, are dominated by urban and road scenes with strong human-made structure without off-road terrain. We introduce GOOSELoc, a multimodal benchmark for ground-to-aerial localization in unstructured environments, including forests, fields, and rural tracks. GOOSELoc comprises 9,356 scenes recorded across all four seasons around Munich, Germany, pairing geo-referenced aerial orthophotos with surround-view RGB imagery and 3D LiDAR point clouds. Paved/unpaved labels enable analyzing the impact of terrain structure, while the seasonal recordings allow studying the appearance gap to mostly summer-captured orthophotos. To assess the transferability of existing methods, we adapt and fine-tune four state-of-the-art cross-view localization baselines on GOOSELoc. Despite task-specific fine-tuning, the performance degrades substantially in off-road environments. We therefore propose a multimodal baseline combining surround-view imagery and LiDAR geometry, improving localization performance and providing a stronger reference for future work. Data and baselines are released at https://gooseloc.github.io.
- Abstract(参考訳): 地上カメラのジオグラフィック・ポーズを、地上センサーデータとジオレファレンス・オーバヘッド画像とをマッチングして推定する。
GNSSが信頼できない場合、例えば森林の天蓋や都市キャニオンでは特に関係がある。
VIGORやKITTIのような既存のクロスビューベンチマークは、オフロード地形のない強力な人造構造を持つ都市や道路のシーンに支配されている。
GOOSELocは, 森林, 畑, 田園地帯などの非構造環境において, 地上から地上への局地化を行うためのマルチモーダル・ベンチマークである。
GOOSELocは、ミュンヘン周辺の4つのシーズンで9,356のシーンを収録し、地理的に参照された航空写真と、周囲のRGB画像と3D LiDAR点雲を組み合わせている。
舗装・未舗装のラベルは、地形構造の影響を解析し、季節記録は、主に夏を捉えた写真への外観ギャップの研究を可能にする。
既存の手法の転送性を評価するため,GOOSELoc上での4つの最先端のクロスビューローカライゼーションベースラインを調整し,微調整する。
タスク固有の微調整にもかかわらず、オフロード環境ではパフォーマンスが大幅に低下する。
そこで我々は,サラウンドビュー画像とLiDAR幾何を組み合わせたマルチモーダルベースラインを提案する。
データとベースラインはhttps://gooseloc.github.io.comで公開されている。
関連論文リスト
- Seeing Less in a Sparse World: Cross-View Geolocalization from Limited Field-of-View Observations [4.3441332321802095]
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。
論文 参考訳(メタデータ) (2026-10-30T19:14:36Z) - A Unified Benchmark for Aerial-Enhanced Autonomous Driving: The KITScenes Aerial Dataset [12.290787996572208]
KITScenes Aerialは、オンボードセンサーデータ、車両ポーズ、リッチなLanelet2マップアノテーションを拡張したKITScenes Multimodalデータセットの拡張である。
地図評価は, 異なるモデル設計, 空間範囲, 空中分解能の異なるすべての KITScenes マップクラスに焦点をあてる。
論文 参考訳(メタデータ) (2026-10-29T17:01:30Z) - Road Maps as Free Geometric Priors: Weather-Invariant Drone Geo-Localization with GeoFuse [20.496826407313854]
ドローンビューのジオローカライゼーションは、しばしば悪天候下で撮影されたクエリードローン画像と、ジオタグ付き衛星画像のギャラリーとをマッチングすることを目的としている。
気象によって引き起こされるドローンの視界の劣化は、本質的なクロスビュー領域のギャップを著しく悪化させる。
衛星画像と正確に整列した道路地図タイルを統合したクロスモーダル融合フレームワークであるGeoFuseを紹介する。
論文 参考訳(メタデータ) (2026-05-14T15:01:22Z) - Unifying UAV Cross-View Geo-Localization via 3D Geometric Perception [51.687842983240564]
無人航空機(UAV)のクロスビューな地上局地化は、斜めのUAV画像と衛星地図との厳密な幾何学的相違により、いまだに困難である。
本稿では,3次元シーン形状を明示的にモデル化し,粗い位置認識ときめ細かなポーズ推定を統一する,幾何認識型UAV測位フレームワークを提案する。
提案手法は, 最先端のベースラインを著しく上回り, ロバストメータレベルのローカライゼーション精度を実現し, 複雑な都市環境における一般化を向上する。
論文 参考訳(メタデータ) (2026-04-02T08:08:41Z) - Beyond Matching to Tiles: Bridging Unaligned Aerial and Satellite Views for Vision-Only UAV Navigation [51.286599397552756]
本稿では,UAVの絶対位置と近距離からの進路を共同で予測する視覚駆動型クロスビューナビゲーション手法であるBering-UAVを提案する。
我々はまた、クロスビューのローカライゼーションとナビゲーションを評価するベンチマークである Bearing-UAV-90k も提示する。
論文 参考訳(メタデータ) (2026-03-23T16:17:39Z) - Wrivinder: Towards Spatial Intelligence for Geo-locating Ground Images onto Satellite Imagery [28.971555127858334]
Wrivinderは、複数の地上写真を集め、衛星画像に合わせるためのフレームワークである。
また、多視点地上画像とジオ登録された衛星タイルを様々な屋外環境に接続するキュレートデータセットMC-Satもリリースした。
ゼロショット実験では、Wrivinderは密度と大面積の両方のシーンで30m未満の位置決め精度を達成している。
論文 参考訳(メタデータ) (2026-02-16T17:06:54Z) - Loc$^2$: Interpretable Cross-View Localization via Depth-Lifted Local Feature Matching [80.57282092735991]
本稿では,高精度かつ解釈可能なクロスビューローカライズ手法を提案する。
地上画像の3自由度(DoF)のポーズを、その局所的な特徴と基準空中画像とをマッチングすることによって推定する。
実験では、クロスエリアテストや未知の向きといった挑戦的なシナリオにおいて、最先端の精度を示す。
論文 参考訳(メタデータ) (2025-09-11T18:52:16Z) - BEVLoc: Cross-View Localization and Matching via Birds-Eye-View Synthesis [22.69620338108094]
オフロード環境において,鳥眼ビュー (BEV) のシーン表現を合成し,航空地図とのマッチングとローカライズを行うための新しい枠組みを提案する。
我々は,合成されたBEVと航空地図の類似表現を学習するために,ドメイン固有の負のマイニングによる対照的な学習を活用してネットワークを訓練する。
本研究は,極難林環境における有望な初期成果を示すものである。
論文 参考訳(メタデータ) (2024-10-08T22:45:53Z) - Energy-Based Models for Cross-Modal Localization using Convolutional
Transformers [52.27061799824835]
GPSのない衛星画像に対して、距離センサを搭載した地上車両を位置決めする新しい枠組みを提案する。
本稿では, 畳み込み変換器を用いて, 高精度な計量レベルの局所化を行う手法を提案する。
我々は、エンドツーエンドでモデルをトレーニングし、KITTI、Pandaset、カスタムデータセットの最先端技術よりも高い精度でアプローチを実証する。
論文 参考訳(メタデータ) (2023-06-06T21:27:08Z) - GANav: Group-wise Attention Network for Classifying Navigable Regions in
Unstructured Outdoor Environments [54.21959527308051]
本稿では,RGB画像から,オフロード地形および非構造環境における安全かつ航行可能な領域を識別する新しい学習手法を提案する。
本手法は,粒度の粗いセマンティックセグメンテーションを用いて,そのナビビリティレベルに基づいて地形分類群を分類する。
RUGD と RELLIS-3D のデータセットを広範囲に評価することにより,我々の学習アルゴリズムがナビゲーションのためのオフロード地形における視覚知覚の精度を向上させることを示す。
論文 参考訳(メタデータ) (2021-03-07T02:16:24Z)
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。