軌跡感知的跨視角地理定位：基於序列觀測的方法
跨視角地理定位將地面觀測與衞星圖像匹配。最新方法利用視頻片段等序列查詢獲得更豐富的時空線索，但忽略了路線描述這一互補模態。本文提出SeqGeo-VL數據集（約3.9萬視頻-文本-衞星三元組）和TrajLoc統一框架，同時處理視頻和路線描述，通過密集視覺與抽象語言語義相互增強。還提出TrajMod輕量模塊，根據軌跡幾何條件化查詢嵌入，實現空間感知表示。實驗表明TrajLoc在視頻和文本地理定位上顯著超越現有方法。
跨視角地理定位（Cross-view Geo-localization）是一項將地面拍攝的圖像或視頻與衞星圖像進行匹配的技術，在無人駕駛、機器人導航和增強現實等領域具有廣泛應用。傳統方法通常依賴單張地面圖像，但序列數據如視頻片段能夠提供更豐富的時空線索，從而提升匹配精度。然而，現有基於序列的方法大多隻考慮視覺信息，而忽略了另一種重要的序列模態——路線描述。路線描述是用自然語言描述的行進路徑，它能夠以更高的抽象層次捕捉軌跡信息，並且在實際場景中常常是唯一的輸入來源（例如用户口頭告知自動駕駛車輛接載地點）。
為了填補這一空白，由Tianyi Gao等人組成的研究團隊在ECCV 2026上發表了題為《Trajectory-aware Cross-view Geo-localization with Sequential Observations》的論文。他們提出了SeqGeo-VL數據集，該數據集包含約3.9萬個視頻-文本-衞星三元組，覆蓋了多樣化的地理場景和天氣條件。在此基礎上，團隊構建了TrajLoc統一框架，該框架能夠同時處理視頻片段和路線描述兩種模態的查詢。通過利用密集視覺特徵與抽象語言語義的相互增強，TrajLoc顯著提升了跨視角匹配的準確性和魯棒性。
TrajLoc的核心創新之一是TrajMod輕量模塊。該模塊利用軌跡幾何信息（如路徑形狀和方向變化）對查詢嵌入進行條件化，從而生成空間感知的表示。這種表示能夠更好地對齊地面軌跡與衞星圖像中的對應區域。實驗在多個數據集上驗證了TrajLoc的有效性：在視頻地理定位任務中，它比現有最優方法提升了超過10%的召回率；在文本地理定位任務中，也取得了顯著的性能提升。項目主頁和代碼已公開，為後續研究提供了堅實的基礎。