論文の概要: ALDI-ray: Adapting the ALDI Framework for Security X-ray Object Detection

• arxiv url: http://arxiv.org/abs/2512.02696v1
• Date: Tue, 02 Dec 2025 12:28:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-12-03 21:04:45.859608
• Title: ALDI-ray: Adapting the ALDI Framework for Security X-ray Object Detection
• Title（参考訳）: ALDI-ray:セキュリティX線オブジェクト検出のためのALDIフレームワークへの適応
• Authors: Omid Reza Heidari, Yang Wang, Xinxin Zuo,
• Abstract要約: セキュリティX線イメージングは、走査デバイスと環境条件の変化により、ユニークな課題を呈している。 自己拡張、機能アライメント、強化されたトレーニング戦略を統合するドメイン適応フレームワークであるALDI++を適用する。 EDSデータセット上で大規模な実験を行い、ALDI++がSOTA(State-of-the-art)ドメイン適応法を超えることを示す。
• 参考スコア（独自算出の注目度）: 10.006573973631655
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Domain adaptation in object detection is critical for real-world applications where distribution shifts degrade model performance. Security X-ray imaging presents a unique challenge due to variations in scanning devices and environmental conditions, leading to significant domain discrepancies. To address this, we apply ALDI++, a domain adaptation framework that integrates self-distillation, feature alignment, and enhanced training strategies to mitigate domain shift effectively in this area. We conduct extensive experiments on the EDS dataset, demonstrating that ALDI++ surpasses the state-of-the-art (SOTA) domain adaptation methods across multiple adaptation scenarios. In particular, ALDI++ with a Vision Transformer for Detection (ViTDet) backbone achieves the highest mean average precision (mAP), confirming the effectiveness of transformer-based architectures for cross-domain object detection. Additionally, our category-wise analysis highlights consistent improvements in detection accuracy, reinforcing the robustness of the model across diverse object classes. Our findings establish ALDI++ as an efficient solution for domain-adaptive object detection, setting a new benchmark for performance stability and cross-domain generalization in security X-ray imagery.
• Abstract（参考訳）: オブジェクト検出におけるドメイン適応は、分散がモデル性能を劣化させる現実世界のアプリケーションにとって重要である。 セキュリティX線イメージングは、走査デバイスと環境条件のばらつきによってユニークな課題を呈し、重要なドメインの相違をもたらす。 これを解決するために、ALDI++というドメイン適応フレームワークを適用し、この領域でドメインシフトを効果的に軽減するための自己蒸留、機能アライメント、強化されたトレーニング戦略を統合する。 EDSデータセット上で広範な実験を行い、ALDI++が複数の適応シナリオにわたって最先端(SOTA)ドメイン適応手法を超越していることを示す。 特に、ViTDet(Vision Transformer for Detection)バックボーンを備えたALDI++は、平均平均精度(mAP)が最も高く、トランスフォーマーベースのアーキテクチャによるクロスドメインオブジェクト検出の有効性を確認している。 さらに、カテゴリワイド分析では、検出精度が一貫した改善が強調され、多様なオブジェクトクラス間のモデルの堅牢性が強化される。 本研究は、ALDI++をドメイン適応型オブジェクト検出の効率的なソリューションとして確立し、セキュリティX線画像における性能安定性とクロスドメイン一般化のための新しいベンチマークを設定した。

関連論文リスト

• Style-Adaptive Detection Transformer for Single-Source Domain Generalized Object Detection [7.768332621617199]
  単一ソースドメインの一般化は、未確認のターゲットドメインによく一般化するソースドメインデータのみを使用して検出器を開発することを目的としている。 既存の手法は主にCNNベースで、データ拡張と機能アライメントを組み合わせることで堅牢性を向上させる。 単一ソース領域の一般化に適したDTRベースの検出器であるStyle-Adaptive Detection TRansformer (SA-DETR)を提案する。
  論文  参考訳（メタデータ） (2025-04-29T07:38:37Z)
• RT-DATR: Real-time Unsupervised Domain Adaptive Detection Transformer with Adversarial Feature Alignment [6.951423778505503]
  CNNとトランスを用いたドメイン適応型オブジェクト検出器は、クロスドメイン検出タスクにおいて大きな進歩を遂げている。 本稿では,RT-DATRを提案する。 各種クロスドミアンベンチマークの実験結果から,本手法が現在の最先端手法よりも優れていることが示された。
  論文  参考訳（メタデータ） (2025-04-12T12:36:01Z)
• Object Style Diffusion for Generalized Object Detection in Urban Scene [69.04189353993907]
  本稿では,GoDiffという新しい単一ドメインオブジェクト検出一般化手法を提案する。 擬似ターゲットドメインデータとソースドメインデータを統合することで、トレーニングデータセットを多様化する。 実験により,本手法は既存の検出器の一般化能力を高めるだけでなく,他の単一領域一般化手法のプラグ・アンド・プレイ拡張として機能することが示された。
  論文  参考訳（メタデータ） (2024-12-18T13:03:00Z)
• DATR: Unsupervised Domain Adaptive Detection Transformer with Dataset-Level Adaptation and Prototypical Alignment [7.768332621617199]
  我々は、オブジェクト検出の教師なし領域適応のために、ドメイン適応検出TRansformer(DATR)と呼ばれる強力なDETRベースの検出器を導入する。 提案するDATRは,教師モデルによって生成された擬似ラベルを用いて,平均教師に基づく自己学習フレームワークを組み込んで,ドメインバイアスをさらに緩和する。 複数のドメイン適応シナリオにおいて,提案したDATRの性能と一般化性を示す実験を行った。
  論文  参考訳（メタデータ） (2024-05-20T03:48:45Z)
• DACAD: Domain Adaptation Contrastive Learning for Anomaly Detection in Multivariate Time Series [83.76994646443498]
  時系列異常検出では、ラベル付きデータの不足が正確なモデルの開発に困難をもたらす。 時系列における異常検出のための新しいドメインコントラスト学習モデル(DACAD)を提案する。 本モデルでは,ソース領域に対する教師付きコントラスト損失と,ターゲット領域に対する自己監督型コントラスト型3重項損失を用いる。
  論文  参考訳（メタデータ） (2024-04-17T11:20:14Z)
• Cross-Domain Few-Shot Object Detection via Enhanced Open-Set Object Detector [72.05791402494727]
  本稿では,CD-FSODを用いたクロスドメイン小ショット検出法について検討する。 最小限のラベル付き例で、新しいドメインのための正確なオブジェクト検出器を開発することを目的としている。
  論文  参考訳（メタデータ） (2024-02-05T15:25:32Z)
• Enhancing Visual Domain Adaptation with Source Preparation [5.287588907230967]
  ドメイン適応技術は、ソースドメイン自体の特性を考慮できません。 本稿では,ソース領域バイアスを軽減する手法であるソース準備(SP)を提案する。 また,ベースライン上のmIoUでは最大40.64%の改善が見られた。
  論文  参考訳（メタデータ） (2023-06-16T18:56:44Z)
• Decompose to Adapt: Cross-domain Object Detection via Feature Disentanglement [79.2994130944482]
  本研究では,DDF(Domain Disentanglement Faster-RCNN)を設計し,タスク学習のための特徴のソース固有情報を排除した。 DDF法は,グローバルトリプルト・ディアンタングルメント(GTD)モジュールとインスタンス類似性・ディアンタングルメント(ISD)モジュールを用いて,グローバルおよびローカルステージでの機能ディアンタングルを容易にする。 提案手法は,4つのUDAオブジェクト検出タスクにおいて最先端の手法より優れており,広い適用性で有効であることが実証された。
  論文  参考訳（メタデータ） (2022-01-06T05:43:01Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)

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。