論文の概要: Self-Aware Object Detection via Degradation Manifolds

• arxiv url: http://arxiv.org/abs/2602.18394v1
• Date: Fri, 20 Feb 2026 17:58:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-23 18:01:41.404513
• Title: Self-Aware Object Detection via Degradation Manifolds
• Title（参考訳）: 劣化マニフォールドによる自己認識物体検出
• Authors: Stefan Becker, Simon Weiss, Wolfgang Hübner, Michael Arens,
• Abstract要約: 安全クリティカルな設定では、入力が検出器の名目上の操作状態内にあるかどうかを判断することなく予測を行うことはできない。 劣化多様体に基づく自己認識フレームワークを提案する。 本手法は,コントラスト学習により訓練された軽量な埋め込みヘッドを用いて,標準的な検出バックボーンを増強する。
• 参考スコア（独自算出の注目度）: 3.8265249634979734
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object detectors achieve strong performance under nominal imaging conditions but can fail silently when exposed to blur, noise, compression, adverse weather, or resolution changes. In safety-critical settings, it is therefore insufficient to produce predictions without assessing whether the input remains within the detector's nominal operating regime. We refer to this capability as self-aware object detection. We introduce a degradation-aware self-awareness framework based on degradation manifolds, which explicitly structure a detector's feature space according to image degradation rather than semantic content. Our method augments a standard detection backbone with a lightweight embedding head trained via multi-layer contrastive learning. Images sharing the same degradation composition are pulled together, while differing degradation configurations are pushed apart, yielding a geometrically organized representation that captures degradation type and severity without requiring degradation labels or explicit density modeling. To anchor the learned geometry, we estimate a pristine prototype from clean training embeddings, defining a nominal operating point in representation space. Self-awareness emerges as geometric deviation from this reference, providing an intrinsic, image-level signal of degradation-induced shift that is independent of detection confidence. Extensive experiments on synthetic corruption benchmarks, cross-dataset zero-shot transfer, and natural weather-induced distribution shifts demonstrate strong pristine-degraded separability, consistent behavior across multiple detector architectures, and robust generalization under semantic shift. These results suggest that degradation-aware representation geometry provides a practical and detector-agnostic foundation.
• Abstract（参考訳）: オブジェクト検出器は、名目上の撮像条件下では強い性能を達成するが、ぼやけ、ノイズ、圧縮、悪天候、解像度の変化に晒されると静かに失敗することがある。 したがって、安全クリティカルな設定では、入力が検出器の名目上の操作状態内にあるかどうかを判断することなく予測を行うことはできない。 我々は、この機能を自己認識オブジェクト検出と呼ぶ。 本稿では,分解多様体をベースとした劣化認識型自己認識フレームワークを提案する。 本手法は,多層コントラスト学習により学習した軽量な埋め込みヘッドを用いて,標準的な検出バックボーンを増強する。 同じ劣化組成を共有する画像をまとめて、異なる劣化構成を分割し、劣化ラベルや明示的な密度モデリングを必要とせず、劣化タイプと深刻度をキャプチャする幾何学的に整理された表現を生成する。 学習した幾何を固定するために、クリーンなトレーニング埋め込みから原始的なプロトタイプを推定し、表現空間における名目操作点を定義する。 自己認識は、この基準からの幾何学的偏差として現れ、検出信頼とは無関係に、劣化によって引き起こされるシフトの本質的な、イメージレベルの信号を提供する。 合成汚職ベンチマーク、クロスデータセットゼロショット転送、自然気象による分布シフトに関する広範な実験は、強いプリスタン劣化分離性、複数の検出器アーキテクチャ間の一貫した挙動、セマンティックシフトの下での堅牢な一般化を示す。 これらの結果から,劣化認識表現幾何学は実用的で検出不能な基礎となることが示唆された。

関連論文リスト

• Emergent Outlier View Rejection in Visual Geometry Grounded Transformers [45.83800698097105]
  ノイズ」画像関連入力は、視界がほとんど、あるいは全くないが、他の画像と重なり合うため、Wild画像コレクションからの信頼性の高い3D再構成を妨げている。 従来のStructure-from-Motionパイプラインは、幾何学的検証とoutlier rejectionを通じてそのようなケースを扱う。 本稿では,既存のフィードフォワード再構成モデルであるVGGTが,イントラクタイメージを本質的に区別できることを示す。
  論文  参考訳（メタデータ） (2025-12-03T17:48:25Z)
• Noise & pattern: identity-anchored Tikhonov regularization for robust structural anomaly detection [58.535473924035365]
  異常検出は自動産業検査において重要な役割を担い、他の均一な視覚パターンの微妙な欠陥や稀な欠陥を識別することを目的としている。 自己教師型オートエンコーダを用いて, 破損した入力の修復を学習する構造的異常検出に取り組む。 構造欠陥を模倣した画像に人工的破壊を注入する汚職モデルを導入する。
  論文  参考訳（メタデータ） (2025-11-10T15:48:50Z)
• Circular Image Deturbulence using Quasi-conformal Geometry [3.239589979987861]
  本稿では、画像歪みを取り除くための教師なしアプローチであるCQCD(Circular Quasi-Conformal Deturbulence)フレームワークを紹介する。 この設計により、復元された画像が幾何的に正確かつ視覚的に忠実でありながら、誤推定の蓄積を防止できる。 実験結果から,CQCDは画像復元品質の点で既存の現状の乱流法より優れるだけでなく,高精度な変形場推定も可能であることが示された。
  論文  参考訳（メタデータ） (2025-04-18T03:07:25Z)
• Robustness and invariance properties of image classifiers [8.970032486260695]
  ディープニューラルネットワークは多くの画像分類タスクで印象的な結果を得た。 ディープネットワークは、多種多様なセマンティック保存画像修正に対して堅牢ではない。 画像分類器の小さなデータ分散シフトに対する堅牢性の低さは、その信頼性に関する深刻な懸念を引き起こす。
  論文  参考訳（メタデータ） (2022-08-30T11:00:59Z)
• Exploring Resolution and Degradation Clues as Self-supervised Signal for Low Quality Object Detection [77.3530907443279]
  劣化した低解像度画像中の物体を検出するための,新しい自己教師型フレームワークを提案する。 本手法は, 既存手法と比較して, 異変劣化状況に直面する場合に比べ, 優れた性能を示した。
  論文  参考訳（メタデータ） (2022-08-05T09:36:13Z)
• Adversarially-Aware Robust Object Detector [85.10894272034135]
  本稿では,ロバスト検出器 (RobustDet) を提案する。 本モデルは, クリーン画像の検出能力を維持しながら, 傾きを効果的に解き, 検出堅牢性を著しく向上させる。
  論文  参考訳（メタデータ） (2022-07-13T13:59:59Z)
• Self-Supervised Training with Autoencoders for Visual Anomaly Detection [61.62861063776813]
  我々は, 正規サンプルの分布を低次元多様体で支持する異常検出において, 特定のユースケースに焦点を当てた。 我々は、訓練中に識別情報を活用する自己指導型学習体制に適応するが、通常の例のサブ多様体に焦点をあてる。 製造領域における視覚異常検出のための挑戦的なベンチマークであるMVTec ADデータセットで、最先端の新たな結果を達成する。
  論文  参考訳（メタデータ） (2022-06-23T14:16:30Z)
• RestoreDet: Degradation Equivariant Representation for Object Detection in Low Resolution Images [81.91416537019835]
  劣化した低解像度画像中のオブジェクトを検出するための新しいフレームワークであるRestoreDetを提案する。 CenterNetをベースとした本フレームワークは, 既存手法と比較して, 異種劣化状況に直面する場合に比べ, 優れた性能を達成している。
  論文  参考訳（メタデータ） (2022-01-07T03:40:23Z)

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。