論文の概要: HyDRA: Hybrid Domain-Aware Robust Architecture for Heterogeneous Collaborative Perception

• arxiv url: http://arxiv.org/abs/2603.23975v1
• Date: Wed, 25 Mar 2026 06:15:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-26 21:06:11.157891
• Title: HyDRA: Hybrid Domain-Aware Robust Architecture for Heterogeneous Collaborative Perception
• Title（参考訳）: HyDRA: 異種協調知覚のためのハイブリッドドメイン対応ロバストアーキテクチャ
• Authors: Minwoo Song, Minhee Kang, Heejin Ahn,
• Abstract要約: HyDRAは、ドメイン認識フレームワーク内で中間核融合と後期核融合を統合する統一パイプラインである。 実験では、HyDRAは最先端の異種CP法に匹敵する性能を達成している。 この性能は、協調エージェントの数が増加するにつれて維持され、再トレーニングなしにゼロコストスケーリングが可能となる。
• 参考スコア（独自算出の注目度）: 2.867517731896504
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In collaborative perception, an agent's performance can be degraded by heterogeneity arising from differences in model architecture or training data distributions. To address this challenge, we propose HyDRA (Hybrid Domain-Aware Robust Architecture), a unified pipeline that integrates intermediate and late fusion within a domain-aware framework. We introduce a lightweight domain classifier that dynamically identifies heterogeneous agents and assigns them to the late-fusion branch. Furthermore, we propose anchor-guided pose graph optimization to mitigate localization errors inherent in late fusion, leveraging reliable detections from intermediate fusion as fixed spatial anchors. Extensive experiments demonstrate that, despite requiring no additional training, HyDRA achieves performance comparable to state-of-the-art heterogeneity-aware CP methods. Importantly, this performance is maintained as the number of collaborating agents increases, enabling zero-cost scaling without retraining.
• Abstract（参考訳）: 協調的な知覚では、モデルアーキテクチャやトレーニングデータ分布の違いから生じる不均一性によってエージェントのパフォーマンスを劣化させることができる。 この課題に対処するため、ドメイン・アウェア・フレームワーク内で中間および後期融合を統合する統一パイプラインであるHyDRA(Hybrid Domain-Aware Robust Architecture)を提案する。 異種エージェントを動的に識別し、それらをレイトフュージョンブランチに割り当てる軽量なドメイン分類器を導入する。 さらに, 固定空間アンカーとしての中間核融合からの確実な検出を生かし, 局所化誤差を軽減するために, アンカー誘導型ポーズグラフ最適化を提案する。 大規模な実験により、HyDRAは追加の訓練を必要とせず、最先端の異種CP手法に匹敵する性能を達成している。 重要なことに、この性能は協調エージェントの数が増加するにつれて維持され、再トレーニングなしにゼロコストスケーリングが可能となる。

関連論文リスト

• Mixture of Ranks with Degradation-Aware Routing for One-Step Real-World Image Super-Resolution [76.66229730098759]
  実世界の画像超解像(Real-ISR)では、既存のアプローチは主に微調整された事前学習拡散モデルに依存している。 単一ステップ画像超解像のためのMixture-of-Ranks (MoR)アーキテクチャを提案する。 LoRAの各ランクを独立した専門家として扱う、きめ細かい専門家分割戦略を導入する。
  論文  参考訳（メタデータ） (2025-11-20T04:11:44Z)
• HeatV2X: Scalable Heterogeneous Collaborative Perception via Efficient Alignment and Interaction [7.171380055232685]
  V2X(Van-to-Everything)コラボレーティブ・インセプションは、トランスミッションを通じて、単一車両の限界を超えて知覚を拡大する。 既存のフレームワークは、(1)参加エージェントは本質的にマルチモーダルで異種であり、(2)新しいエージェントに対応するためには、協調フレームワークはスケーラブルでなければならない。 スケーラブルな協調フレームワークであるHeatV2Xを提案する。
  論文  参考訳（メタデータ） (2025-11-13T11:33:22Z)
• Improving Deepfake Detection with Reinforcement Learning-Based Adaptive Data Augmentation [60.04281435591454]
  CRDA(Curriculum Reinforcement-Learning Data Augmentation)は、マルチドメインの偽造機能を段階的にマスターするための検出器を導く新しいフレームワークである。 私たちのアプローチの中心は、強化学習と因果推論を統合することです。 提案手法は検出器の一般化性を大幅に向上し,複数のクロスドメインデータセット間でSOTA法より優れている。
  論文  参考訳（メタデータ） (2025-11-10T12:45:52Z)
• Pragmatic Heterogeneous Collaborative Perception via Generative Communication Mechanism [14.40993352402385]
  異種マルチエージェントシステム間のシームレスな認識を容易にする新しいジェネレーティブコミュニケーション機構(GenComm)を提案する。 OPV2V-H、DAIR-V2X、V2X-Realデータセットで実施された実験は、GenCommが既存の最先端手法より優れていることを示している。
  論文  参考訳（メタデータ） (2025-10-22T14:15:20Z)
• 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)

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。