GeoExplorer：基于好奇心驱动的主动 Geo-localization
计算机视觉与模式识别
2025-08-04 v1
摘要
主动 Geo-localization (AGL) 是在预定义搜索区域内对目标进行定位的任务，目标以 Various modalities 表示（例如航空图像、地面级图像或文本）。当前方法将 AGL 作为基于距离的奖励的强化学习 (RL) 问题处理。它们通过隐式学习最小化目标相对距离的方式来定位目标。然而，当距离估计变得具有挑战性或遇到未见目标和环境时，代理因训练期间所学到的探索策略不可靠而表现出降低的鲁棒性和泛化能力。在本文中，我们提出了 GeoExplorer，一种通过内在奖励融合好奇心驱动探索的 AGL 代理。与基于距离的奖励不同，我们的好奇心驱动奖励是目标无关的，能够基于有效环境建模实现稳健、多样且情境相关的探索。通过在四个 AGL 基准测试中的大量实验，我们证明了 GeoExplorer 在 diverse 设置下有效且具备良好泛化能力，尤其在定位不熟悉的目标和环境方面。
引用
@article{arxiv.2508.00152,
title = {GeoExplorer: Active Geo-localization with Curiosity-Driven Exploration},
author = {Li Mi and Manon Bechaz and Zeming Chen and Antoine Bosselut and Devis Tuia},
journal= {arXiv preprint arXiv:2508.00152},
year = {2025}
}
备注
ICCV 2025. Project page at https://limirs.github.io/GeoExplorer/