地域は重要：効率的で信頼性の高い地域（リージョン）対応の視覚的場所認識

arXiv cs.CV / 2026/4/27

📰 ニュースDeveloper Stack & InfrastructureIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、無関係な領域による知覚エイリアシングを抑えつつ非効率な再ランキングを改善することを目的とした、地域（リージョン）対応のVisual Place Recognition（VPR）手法「FoL++」を提案しています。
FoL++は、遮蔽（オクルージョン）への耐性を明示的にモデル化する空間信頼度マップを生成するReliability Estimation Branchを追加し、局所マッチの重み付けをより効果的にします。
空間アラインメント損失（SALとSCEL）を用いて特徴を整列させ、重要な（サリエントな）領域を強調しながら、より信頼性の高い領域レベル表現を学習します。
手作業での注釈なしの弱教師あり学習として、疑似対応（pseudo-correspondence）戦略による密な局所スーパービジョンを行い、さらに適応的候補スケジューラでグローバルな類似度に応じて候補プールを動的に調整します。
7つのベンチマークで、軽量なメモリ使用量を維持しつつ最先端性能を達成し、FoLより推論が40%高速化したと報告されています。コードとモデルは公開予定で、FoLと統合される予定です。