論文の概要: Beyond Prompt Degradation: Prototype-guided Dual-pool Prompting for Incremental Object Detection

• arxiv url: http://arxiv.org/abs/2603.02286v1
• Date: Mon, 02 Mar 2026 12:09:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-04 21:38:10.499507
• Title: Beyond Prompt Degradation: Prototype-guided Dual-pool Prompting for Incremental Object Detection
• Title（参考訳）: Prototype-Guided Dual-pool Prompting for Incremental Object Detection
• Authors: Yaoteng Zhang, Zhou Qing, Junyu Gao, Qi Wang,
• Abstract要約: 我々はPDPと呼ばれる新しいプロンプト分離フレームワークを提案する。 タスクジェネラルとタスク固有のプロンプトを明示的に分離し、プロンプト間の干渉を防ぎ、プロンプトのカップリングを緩和する。 MS-COCOとPASCAL VOCベンチマークで最先端のパフォーマンスを実現し、安定性と可塑性のバランスをとる可能性を強調している。
• 参考スコア（独自算出の注目度）: 18.985709082532992
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Incremental Object Detection (IOD) aims to continuously learn new object categories without forgetting previously learned ones. Recently, prompt-based methods have gained popularity for their replay-free design and parameter efficiency. However, due to prompt coupling and prompt drift, these methods often suffer from prompt degradation during continual adaptation. To address these issues, we propose a novel prompt-decoupled framework called PDP. PDP innovatively designs a dual-pool prompt decoupling paradigm, which consists of a shared pool used to capture task-general knowledge for forward transfer, and a private pool used to learn task-specific discriminative features. This paradigm explicitly separates task-general and task-specific prompts, preventing interference between prompts and mitigating prompt coupling. In addition, to counteract prompt drift resulting from inconsistent supervision where old foreground objects are treated as background in subsequent tasks, PDP introduces a Prototypical Pseudo-Label Generation (PPG) module. PPG can dynamically update the class prototype space during training and use the class prototypes to further filter valuable pseudo-labels, maintaining supervisory signal consistency throughout the incremental process. PDP achieves state-of-the-art performance on MS-COCO (with a 9.2\% AP improvement) and PASCAL VOC (with a 3.3\% AP improvement) benchmarks, highlighting its potential in balancing stability and plasticity. The code and dataset are released at: https://github.com/zyt95579/PDP\_IOD/tree/main
• Abstract（参考訳）: インクリメンタルオブジェクト検出(IOD)は、学習済みのオブジェクトを忘れずに、新しいオブジェクトカテゴリを継続的に学習することを目的としている。 近年,リプレイフリーな設計とパラメータ効率でプロンプトベースの手法が人気を集めている。 しかし, 急激な結合と急激なドリフトにより, 連続的適応時の急激な劣化に悩まされることが多い。 これらの課題に対処するため、我々はPDPと呼ばれる新しいプロンプト分離フレームワークを提案する。 PDPは、フォワード転送のためのタスク一般知識をキャプチャするために使用される共有プールと、タスク固有の識別機能を学ぶために使用されるプライベートプールからなる、デュアルプールプロンプトデカップリングパラダイムを革新的に設計する。 このパラダイムは、タスクジェネラルとタスク固有のプロンプトを明示的に分離し、プロンプト間の干渉を防ぎ、プロンプトのカップリングを緩和する。 さらに、後続のタスクにおいて古いフォアグラウンドオブジェクトがバックグラウンドとして扱われる、一貫性のない監視による即時ドリフトに対処するため、PDPはPseudo-Label Generation (PPG)モジュールを導入した。 PPGはトレーニング中にクラスプロトタイプ空間を動的に更新し、クラスプロトタイプを使用して貴重な擬似ラベルをさらにフィルタリングし、インクリメンタルなプロセスを通して信号の一貫性を維持する。 PDPはMS-COCO(APの改善は9.2 %)とPASCAL VOC(APの改善は3.3 %)のベンチマークで最先端のパフォーマンスを達成し、安定性と可塑性のバランスをとる可能性を強調している。 コードとデータセットは、https://github.com/zyt95579/PDP\_IOD/tree/mainでリリースされます。

関連論文リスト

• SENTINEL: Stagewise Integrity Verification for Pipeline Parallel Decentralized Training [54.8494905524997]
  分散トレーニングは、信頼できない、地理的に分散したノードで実行される場合、重大なセキュリティリスクをもたらす。 重複のないパイプライン並列性(PP)トレーニングの検証機構であるSENTINELを提案する。 実験では、モデル収束と性能を維持しながら、最大176人の労働者を持つ信頼できない分散環境における最大4BパラメータLSMのトレーニングを成功させた。
  論文  参考訳（メタデータ） (2026-03-03T23:51:10Z)
• GFlowPO: Generative Flow Network as a Language Model Prompt Optimizer [51.31263673158136]
  GFlowPOは、メタプロンプト参照-LMにより正規化される潜在プロンプトに対する後部推論問題としてプロンプトをキャストする。 GFlowPOは、最近の離散的なプロンプト最適化ベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-02-03T10:30:03Z)
• Parameterized Prompt for Incremental Object Detection [40.077943384096805]
  既存のプロンプト プールベースのアプローチは、インクリメンタルタスクにまたがる不整合クラスセットを前提とします。 共起シナリオでは、以前のタスクからラベル付けされていないオブジェクトが現在のタスクイメージに表示され、プロンプトプールが混乱する可能性がある。 本稿では,タスク間の適応的な整合性を示すために,破滅的な忘れを抑えるために,制約のある更新を施す必要があることを留意する。
  論文  参考訳（メタデータ） (2025-10-31T09:41:49Z)
• EntroPE: Entropy-Guided Dynamic Patch Encoder for Time Series Forecasting [50.794700596484894]
  IntroPE(Entropy-Guided Dynamic Patch)は,条件付きエントロピーによる遷移点を動的に検出する新しい時間情報フレームワークである。 これは、パッチの計算上の利点を維持しながら、時間構造を保存する。 長期予測ベンチマークによる実験では、EntroPEは精度と効率の両方を改善している。
  論文  参考訳（メタデータ） (2025-09-30T12:09:56Z)
• DDP: Dual-Decoupled Prompting for Multi-Label Class-Incremental Learning [37.76339545010501]
  本稿では、クラス増分学習のためのリプレイフリーでパラメータ効率の高いフレームワークとして、DDP(Dual-Decoupled Prompting)を提案する。 DDPは、部分的なラベル付けによる共起カテゴリと真負の偽陽性の混乱からのセマンティックな混乱に対処する。 これはMS-COCO B40-C10ベンチマークで80% mAP と 70% F1 を超える最初のリプレイフリー MLCIL アプローチである。
  論文  参考訳（メタデータ） (2025-09-27T14:39:43Z)
• Towards Robust Incremental Learning under Ambiguous Supervision [22.9111210739047]
  インクリメンタル部分ラベル学習(IPLL)という,弱教師付き学習パラダイムを提案する。 IPLLは、新しいクラスが時々出現する、シーケンシャルな完全教師付き学習問題に対処することを目的としている。 我々は,代表性と多様性を維持しつつ,明瞭なサンプルを収集するメモリ再生技術を開発した。
  論文  参考訳（メタデータ） (2025-01-23T11:52:53Z)
• LW2G: Learning Whether to Grow for Prompt-based Continual Learning [55.552510632228326]
  最近のPromptベースの連続学習は、事前訓練されたモデルで顕著な性能を達成した。 これらのアプローチは、学習中に新しいプロンプトセットを追加してプロンプトプールを拡張し、推論中に正しいセットを選択する。 従来,PCLの性能向上に課題を呈する課題として,タスク指向のプロンプトセットの個別化と選択精度の低さが指摘されてきた。
  論文  参考訳（メタデータ） (2024-09-27T15:55:13Z)
• Bidirectional Decoding: Improving Action Chunking via Guided Test-Time Sampling [51.38330727868982]
  動作チャンキングが学習者と実証者の間の分岐にどのように影響するかを示す。 動作チャンキングをクローズドループ適応でブリッジするテスト時間推論アルゴリズムである双方向デコーディング(BID)を提案する。 提案手法は、7つのシミュレーションベンチマークと2つの実世界のタスクにまたがって、最先端の2つの生成ポリシーの性能を向上させる。
  論文  参考訳（メタデータ） (2024-08-30T15:39:34Z)
• Continual Learning for Remote Physiological Measurement: Minimize Forgetting and Simplify Inference [4.913049603343811]
  既存のr測定手法は、しばしば漸進的な学習シナリオを見落としている。 既存のクラスインクリメンタルな学習アプローチはr測定には適していない。 r測定のための連続学習に取り組むためにADDPという新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-07-19T01:49:09Z)
• PECTP: Parameter-Efficient Cross-Task Prompts for Incremental Vision Transformer [76.39111896665585]
  インクリメンタルラーニング(IL)は、シーケンシャルタスクの深いモデルを継続的に学習することを目的としている。 近年の大規模事前訓練モデル (PTM) は, 従来の試料を含まない実用ILにおいて, 即時的手法により優れた性能を発揮している。
  論文  参考訳（メタデータ） (2024-07-04T10:37:58Z)
• Prompt-augmented Temporal Point Process for Streaming Event Sequence [18.873915278172095]
  本稿では,ニューラル・テンポラル・ポイント・プロセス(TPP)モデルを継続的に監視するための新しいフレームワークを提案する。 PromptTPPは、3つの実際のユーザ行動データセットにわたって、最先端のパフォーマンスを一貫して達成する。
  論文  参考訳（メタデータ） (2023-10-08T03:41:16Z)
• Steering Prototypes with Prompt-tuning for Rehearsal-free Continual Learning [47.83442130744575]
  代表的なクラス埋め込みとしてのプロトタイプは、記憶の保存と破滅的な忘れの緩和に利点をもたらす。 本研究では,Contrastive Prototypeal Prompt (CPP) アプローチを紹介する。 CPPは最先端の手法よりも4%から6%向上している。
  論文  参考訳（メタデータ） (2023-03-16T16:23:13Z)
• Plug-and-Play Few-shot Object Detection with Meta Strategy and Explicit Localization Inference [78.41932738265345]
  本稿では, 微調整を行なわずに新しいカテゴリーの物体を正確に検出できるプラグ検出器を提案する。 局所化プロセスに2つの明示的な推論を導入し、アノテーション付きデータへの依存を減らす。 これは、様々な評価プロトコルの下で、効率、精度、リコールの両方において大きなリードを示している。
  論文  参考訳（メタデータ） (2021-10-26T03:09:57Z)

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。