論文の概要: You Share Beliefs, I Adapt: Progressive Heterogeneous Collaborative Perception

• arxiv url: http://arxiv.org/abs/2509.09310v1
• Date: Thu, 11 Sep 2025 09:53:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-09-12 16:52:24.325499
• Title: You Share Beliefs, I Adapt: Progressive Heterogeneous Collaborative Perception
• Title（参考訳）: 信念を共有し、私は順応する:進歩的不均一な協調的知覚
• Authors: Hao Si, Ehsan Javanmardi, Manabu Tsukada,
• Abstract要約: 協調的知覚により、車両は情報を共有することによって、個々の知覚制限を克服することができる。 本稿では,プログレッシブ・ヘテロジニアス・コラボレーティブ・パーセプション(PHCP)について紹介する。 PHCPは推論中にアダプタを自己学習することで特徴を動的に整列させ、ラベル付きデータや共同トレーニングを不要にする。
• 参考スコア（独自算出の注目度）: 1.9142273925815776
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collaborative perception enables vehicles to overcome individual perception limitations by sharing information, allowing them to see further and through occlusions. In real-world scenarios, models on different vehicles are often heterogeneous due to manufacturer variations. Existing methods for heterogeneous collaborative perception address this challenge by fine-tuning adapters or the entire network to bridge the domain gap. However, these methods are impractical in real-world applications, as each new collaborator must undergo joint training with the ego vehicle on a dataset before inference, or the ego vehicle stores models for all potential collaborators in advance. Therefore, we pose a new question: Can we tackle this challenge directly during inference, eliminating the need for joint training? To answer this, we introduce Progressive Heterogeneous Collaborative Perception (PHCP), a novel framework that formulates the problem as few-shot unsupervised domain adaptation. Unlike previous work, PHCP dynamically aligns features by self-training an adapter during inference, eliminating the need for labeled data and joint training. Extensive experiments on the OPV2V dataset demonstrate that PHCP achieves strong performance across diverse heterogeneous scenarios. Notably, PHCP achieves performance comparable to SOTA methods trained on the entire dataset while using only a small amount of unlabeled data.
• Abstract（参考訳）: 協調的な知覚は、車両が情報を共有することによって個々の知覚の限界を克服し、より深く、そして排他的に見ることを可能にする。 現実のシナリオでは、異なる車両のモデルは、しばしばメーカーのバリエーションのために異種である。 不均一な協調認識のための既存の方法は、ドメインギャップを埋めるために、微調整アダプタやネットワーク全体によってこの問題に対処する。 しかし、これらの手法は現実の応用では非現実的であり、新しい協力者は推論の前にデータセット上でエゴ車と共同で訓練する必要がある。 したがって、我々は新しい疑問を提起する: 推論中に直接この課題に取り組み、共同トレーニングの必要性をなくすことができるか? そこで本研究では,プログレッシブ・ヘテロジニアス・コラボレーティブ・パーセプション(PHCP, Progressive Heterogeneous Collaborative Perception)を提案する。 以前の作業とは異なり、PHCPは推論中にアダプタを自己学習することで機能を動的に調整し、ラベル付きデータや共同トレーニングを不要にする。 OPV2Vデータセットの大規模な実験により、PHCPは多様な異種シナリオで高い性能を発揮することが示された。 特に、PHCPは、少量のラベルのないデータのみを使用しながら、データセット全体で訓練されたSOTAメソッドに匹敵するパフォーマンスを達成する。

関連論文リスト

• Task Groupings Regularization: Data-Free Meta-Learning with Heterogeneous Pre-trained Models [83.02797560769285]
  Data-Free Meta-Learning (DFML)は、トレーニング済みモデルのコレクションから、元のデータにアクセスせずに知識を抽出することを目的としている。 現在の手法は、事前訓練されたモデル間の不均一性を見落とし、タスクの衝突による性能低下につながることが多い。
  論文  参考訳（メタデータ） (2024-05-26T13:11:55Z)
• An Extensible Framework for Open Heterogeneous Collaborative Perception [58.70875361688463]
  協調的な知覚は、単一エージェントの知覚の限界を緩和することを目的としている。 本稿では,新しい異種エージェントを協調認識に適応させる方法を提案する。 本稿では,新しい協調認識フレームワークであるHeterogeneous ALliance(HEAL)を提案する。
  論文  参考訳（メタデータ） (2024-01-25T05:55:03Z)
• Towards Full-scene Domain Generalization in Multi-agent Collaborative Bird's Eye View Segmentation for Connected and Autonomous Driving [49.03947018718156]
  協調的な知覚の訓練と推論の段階で利用される統合されたドメイン一般化フレームワークを提案する。 また、システム内ドメインアライメント機構を導入し、コネクテッドおよび自律走行車間のドメインの差を減らし、潜在的に排除する。
  論文  参考訳（メタデータ） (2023-11-28T12:52:49Z)
• Pre-trained Recommender Systems: A Causal Debiasing Perspective [19.712997823535066]
  本研究では,異なるドメインから抽出した汎用ユーザ・イテムインタラクションデータをトレーニングすることで,ユニバーサルインタラクションパターンをキャプチャする汎用レコメンデータを開発する。 実験により,提案モデルにより,ゼロショットと少数ショットの学習環境での推薦性能が大幅に向上する可能性が示唆された。
  論文  参考訳（メタデータ） (2023-10-30T03:37:32Z)
• Heterogeneous Domain Adaptation and Equipment Matching: DANN-based Alignment with Cyclic Supervision (DBACS) [3.4519649635864584]
  この研究は、サイクリック・スーパービジョン(DBACS)アプローチによるドメイン適応ニューラルネットワークを導入している。 DBACSはドメイン適応によるモデル一般化の問題、特に異種データに対処する。 この作業には、サブスペースアライメントや、異種表現を扱う多視点学習も含まれる。
  論文  参考訳（メタデータ） (2023-01-03T10:56:25Z)

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。