論文の概要: High-Quality Pseudo-Label Generation Based on Visual Prompt Assisted Cloud Model Update

• arxiv url: http://arxiv.org/abs/2504.00526v1
• Date: Tue, 01 Apr 2025 08:20:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:24:37.152024
• Title: High-Quality Pseudo-Label Generation Based on Visual Prompt Assisted Cloud Model Update
• Title（参考訳）: Visual Prompt Assisted Cloud Model Updateに基づく高品質擬似ラベル生成
• Authors: Xinrun Xu, Qiuhong Zhang, Jianwen Yang, Zhanbiao Lian, Jin Yan, Zhiming Ding, Shan Jiang,
• Abstract要約: 既存の方法は、しばしば信頼性の高いクラウドモデルを仮定し、潜在的なエラーを無視したり、複雑な分散シフトに苦労する。 本稿では,クラウド適応型高品質擬似ラベル生成(CA-HQP)を提案する。 Bellevueトラフィックデータセットの実験により、CA-HQPは既存の手法と比較して、擬似ラベルの品質を著しく改善することが示された。
• 参考スコア（独自算出の注目度）: 6.11503045313947
• License:
• Abstract: Generating high-quality pseudo-labels on the cloud is crucial for cloud-edge object detection, especially in dynamic traffic monitoring where data distributions evolve. Existing methods often assume reliable cloud models, neglecting potential errors or struggling with complex distribution shifts. This paper proposes Cloud-Adaptive High-Quality Pseudo-label generation (CA-HQP), addressing these limitations by incorporating a learnable Visual Prompt Generator (VPG) and dual feature alignment into cloud model updates. The VPG enables parameter-efficient adaptation by injecting visual prompts, enhancing flexibility without extensive fine-tuning. CA-HQP mitigates domain discrepancies via two feature alignment techniques: global Domain Query Feature Alignment (DQFA) capturing scene-level shifts, and fine-grained Temporal Instance-Aware Feature Embedding Alignment (TIAFA) addressing instance variations. Experiments on the Bellevue traffic dataset demonstrate that CA-HQP significantly improves pseudo-label quality compared to existing methods, leading to notable performance gains for the edge model and showcasing CA-HQP's adaptation effectiveness. Ablation studies validate each component (DQFA, TIAFA, VPG) and the synergistic effect of combined alignment strategies, highlighting the importance of adaptive cloud updates and domain adaptation for robust object detection in evolving scenarios. CA-HQP provides a promising solution for enhancing cloud-edge object detection systems in real-world applications.
• Abstract（参考訳）: クラウド上で高品質な擬似ラベルを生成することは、特にデータ分散が進化する動的なトラフィック監視において、クラウドエッジオブジェクト検出に不可欠である。 既存の方法は、しばしば信頼性の高いクラウドモデルを仮定し、潜在的なエラーを無視したり、複雑な分散シフトに苦労する。 本稿では,学習可能なVisual Prompt Generator (VPG)とクラウドモデル更新に二重機能アライメントを組み込むことにより,これらの制約に対処するクラウド適応型高品質Pseudo-label Generation (CA-HQP)を提案する。 VPGは、視覚的プロンプトを注入することでパラメータ効率の適応を可能にし、広範囲の微調整なしに柔軟性を向上させる。 CA-HQPは、シーンレベルのシフトをキャプチャするグローバルドメインクエリ機能アライメント(DQFA)と、インスタンスのバリエーションに対処する詳細な時間インスタンス対応機能アライメント(TIAFA)の2つの機能アライメントテクニックを通じて、ドメインの差異を緩和する。 Bellevueトラフィックデータセットの実験により、CA-HQPは既存の手法と比較して擬似ラベル品質を著しく改善し、エッジモデルの顕著な性能向上と、CA-HQPの適応性を示す。 アブレーション研究は、各コンポーネント(DQFA, TIAFA, VPG)と統合アライメント戦略の相乗効果を検証し、進化するシナリオにおける堅牢なオブジェクト検出のための適応型クラウド更新とドメイン適応の重要性を強調した。 CA-HQPは、現実世界のアプリケーションにおいて、クラウドエッジオブジェクト検出システムを強化するための有望なソリューションを提供する。

関連論文リスト

• Multi-view Structural Convolution Network for Domain-Invariant Point Cloud Recognition of Autonomous Vehicles [3.3748750222488657]
  ドメイン不変点クラウド認識のためのマルチビュー構造畳み込みネットワーク(MSCN)。 MSCNは、ポイントクラウドから局所的なコンテキスト幾何学的特徴を抽出する構造畳み込み層(Structure Convolution Layers, SCL)から構成される。 MSCNは、ソースドメインポイントクラウドから派生した見えないドメインポイントクラウドでトレーニングすることで、機能表現を強化する。
  論文  参考訳（メタデータ） (2025-01-27T18:25:35Z)
• LPRnet: A self-supervised registration network for LiDAR and photogrammetric point clouds [38.42527849407057]
  LiDARとフォトグラムは、それぞれポイントクラウド取得のためのアクティブおよびパッシブリモートセンシング技術である。 感知機構、空間分布、座標系に根本的な違いがあるため、それらの点雲は密度、精度、ノイズ、重なり合いにおいて大きな違いを示す。 本稿では, マスク付きオートエンコーダをベースとした自己教師型登録ネットワークを提案し, 異種LiDARと光グラム点雲に着目した。
  論文  参考訳（メタデータ） (2025-01-10T02:36:37Z)
• Towards Robust and Efficient Cloud-Edge Elastic Model Adaptation via Selective Entropy Distillation [56.79064699832383]
  Cloud-Edge Elastic Model Adaptation (CEMA)パラダイムを確立し、エッジモデルが前方伝播のみを実行するようにします。 CEMAでは,通信負担を軽減するため,不要なサンプルをクラウドにアップロードすることを避けるための2つの基準を考案した。
  論文  参考訳（メタデータ） (2024-02-27T08:47:19Z)
• Point Cloud Pre-training with Diffusion Models [62.12279263217138]
  我々は、ポイントクラウド拡散事前学習(PointDif)と呼ばれる新しい事前学習手法を提案する。 PointDifは、分類、セグメンテーション、検出など、さまざまな下流タスクのために、さまざまな現実世界のデータセット間で大幅に改善されている。
  論文  参考訳（メタデータ） (2023-11-25T08:10:05Z)
• Adaptive-Labeling for Enhancing Remote Sensing Cloud Understanding [40.572147431473034]
  我々は、トレーニングデータアノテーションの品質を高めるために反復的に運用される、革新的なモデルに依存しないCloud Adaptive-Labeling(CAL)アプローチを導入する。 本手法は,クラウドセグメンテーションモデルをオリジナルのアノテーションを用いてトレーニングすることで開始する。 トレーニング可能なピクセル強度閾値を導入し、雲のトレーニング画像をリアルタイムでアダプティブにラベル付けする。 新たに生成されたラベルはモデルを微調整するために使用される。
  論文  参考訳（メタデータ） (2023-11-09T08:23:45Z)
• PC-Adapter: Topology-Aware Adapter for Efficient Domain Adaption on Point Clouds with Rectified Pseudo-label [39.6711648793659]
  ドメインシフトシナリオの下では、ポイントクラウドデータのユニークな課題を再考します。 アダプタ誘導型ドメイン適応手法 PC-Adapter を提案する。 本手法は,ベンチマークデータセットにおける各種領域シフト設定のベースラインよりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-09-29T02:32:01Z)
• Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
  ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。 既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。 より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T07:45:53Z)
• Instance-aware Dynamic Prompt Tuning for Pre-trained Point Cloud Models [64.49254199311137]
  本稿では,事前学習点クラウドモデルのための新しいインスタンス対応動的プロンプトチューニング(IDPT)戦略を提案する。 IDPTの本質は、各ポイントクラウドインスタンスのセマンティックな事前特徴を知覚する動的プロンプト生成モジュールを開発することである。 実験では、IDPTはトレーニング可能なパラメータのわずか7%で、ほとんどのタスクにおいて完全な微調整よりも優れています。
  論文  参考訳（メタデータ） (2023-04-14T16:03:09Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)
• Self-Guided Adaptation: Progressive Representation Alignment for Domain Adaptive Object Detection [86.69077525494106]
  非教師なしドメイン適応(UDA)は、オブジェクト検出モデルのドメイン間ロバスト性を改善するために前例のない成功を収めた。 既存のUDA手法は、モデル学習中の瞬間的なデータ分布を無視しており、大きなドメインシフトによって特徴表現が劣化する可能性がある。 本稿では、特徴表現の整合とドメイン間のオブジェクト検出モデルの転送を目標とする自己ガイド適応モデルを提案する。
  論文  参考訳（メタデータ） (2020-03-19T13:30:45Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。