提升全球图像地理定位通过集成卫星基地级属性预测器

我们检讨估计单个无GPS或其他位置元数据的地面图像位置的挑战。当前，地理定位系统通过测量预测位置与真实位置之间的圆距离来评估。由于该测量仅使用单个点，无法评估地理定位系统预测分布。当存在后续程序以进一步缩小或验证位置时，需要评估预测位置分布（区域）。这在样本不足的地区尤其重要，例如农村和荒野地区。在本文中，我们引入了一种新型指标，召回率与面积（RvA），用于衡量估计位置分布的准确度。RvA将图像地理定位结果类似于文档检索，按面积衡量召回率：对于排序的（可能不连续的）预测区域列表，我们衡量包含真实坐标的累计区域所需的面积。这产生了一条类似于精确召回曲线的曲线，其中“精确”被替换为平方公里面积， enables for different downstream search area budgets 的评估。从这个问题的视图出发，我们 then 检讨了一种集成方法，用于全球范围的图像地理定位，该方法整合来自多个来源的信息，可以轻松地整合多个模型、属性预测器和数据源。我们通过将地理定位模型GeoEstimation与当前最先进的GeoCLIP结合，以及基于 Oak Ridge National Laboratory LandScan 和 European Space Agency Climate Change Initiative Land Cover 的属性预测器来研究其有效性。我们发现对于训练集中欠represent的地区，特别是非城市地区，在 Im2GPS3k 和 Street View 图像上，图像地理定位有显著改进。