面向跨视图地理定位的双层渐进硬度感知重加权策略
计算机视觉与模式识别
2025-11-05 v3 人工智能
摘要
由于严重的视角差距以及硬负样本的存在（即视觉上相似但地理上不匹配的样本），无人机与卫星影像之间的跨视图地理定位（CVGL）仍具有挑战性。现有的矿采或重加权策略常使用静态权重，对分布迁移敏感，且容易过早过度强调困难样本，导致噪声梯度和不稳定收敛。本文提出双层渐进硬度感知重加权（DPHR）策略。在样本层面，比率基难度感知（RDA）模块评估相对难度并为负样本分配细粒度权重。在批次层面，渐进式自适应损失权重（PALW）机制利用训练进度信号，在早期优化时削弱噪声梯度，并在训练成熟时逐渐增强硬负样本挖掘。在University-1652和SUES-200基准上实验表明，所提出的DPHR在有效性和鲁棒性方面均优于最先进的方法。
引用
@article{arxiv.2510.27181,
title = {Dual-level Progressive Hardness-Aware Reweighting for Cross-View Geo-Localization},
author = {Guozheng Zheng and Jian Guan and Mingjie Xie and Xuanjia Zhao and Congyi Fan and Shiheng Zhang and Pengming Feng},
journal= {arXiv preprint arXiv:2510.27181},
year = {2025}
}
备注
5 pages, 3 figures