Core Concepts
地面真実を必要としないCVGLのための自己監督学習フレームワークを提案する。
Abstract
CVGLは、クエリ画像の地理的位置を決定することを目指す。
現在の最先端技術は、ラベル付きペア画像でモデルをトレーニングすることに依存している。
提案された方法は、ラベルなしデータだけを使用してFMの適応性を向上させる。
EM-Pseudo LabelingモジュールとAICモジュールが特徴量の一貫性を確保するために導入されている。
Introduction
CVGLは、異なる視点から画像検索を行うタスクである。
ドローンから衛星へのジオロケーションタスクに焦点が当てられている。
Methodology
問題定義と記号:クエリ画像セットと参照画像セットから特徴表現を取得する埋め込みモデルが使用される。
パイプライン概要:訓練中、全ての初期特徴が抽出され、ランダムにサンプリングされたクエリ初期特徴が適応器に入力される。
EM-Pseudo Labeling Module:EMアルゴリズムを使用して適応器パラメータと隠れ変数分布を最適化する。
Adaptation Information Consistency Module:アダプタパラメータと隠れ変数分布を最適化するEMアルゴリズムが含まれている。
Results
University-1652で提案手法は競合手法よりも優れた性能を示した。
University-160kでも提案手法は改善効果が見られた。
Stats
訓練中、全ての初期特徴が抽出されます。ランダムにサンプリングされた700個のサンプルからクエリ初期特徴が抽出されます。
Quotes
"我々は、ラベルなしデータだけでFMの適応性を向上させる方法について説明します。"
"EM-Pseudo LabelingおよびAICモジュールは特徴量一貫性を確保します。"