عينة4جيو: عينات سلبية صعبة للتثبيت الجغرافي متعدد الآراء

التثبيت الجغرافي عبر الآفاق (Cross-View Geo-Localisation) لا يزال مهمة صعبة تتطلب إضافة وحدات إضافية، معالجة مسبقة محددة أو استراتيجيات تكبير لتحديد مواقع الصور بدقة. نظرًا لأن الآفاق المختلفة لديها هندسات مختلفة، فإن المعالجة المسبقة مثل التحويل القطبي تساعد في دمجها. ومع ذلك، يؤدي هذا إلى تشويه الصور التي يجب تصحيحها بعد ذلك. يمكن أن يحسن إضافة الحالات السلبية الصعبة إلى الدفعة التدريبية الأداء العام، ولكن من الصعب تضمينها باستخدام وظائف الخسارة الافتراضية في التثبيت الجغرافي. في هذا المقال، نقدم بنية بسيطة ولكن فعالة تعتمد على التعلم التبايني مع خسارة InfoNCE المتماثلة التي تتفوق على النتائج الحالية الأكثر تقدمًا. يتكون إطارنا من خط أنابيب تدريبي ضيق يلغي الحاجة إلى استخدام وحدات التجميع، ويتجنب الخطوات الإضافية للمعالجة المسبقة ويزيد حتى من قدرة النموذج على التعميم في المناطق غير المعروفة. نقدم نوعين من استراتيجيات العينة للحالات السلبية الصعبة. الأولى تستغل مواقع الجوار الجغرافي لتوفير نقطة بداية جيدة. أما الثانية فتستفيد من الشبه البصري بين مضمنات الصور لاستخراج عينات سلبية صعبة. أظهر عملنا أداءً ممتازًا على مجموعات البيانات الشائعة للتثبيت الجغرافي عبر الآفاق مثل CVUSA، CVACT، University-1652 وVIGOR. كما أظهرت المقارنة بين الإعدادات عبر المناطق والمناطق نفسها قدرة نموذجنا الجيدة على التعميم.