論文の概要: Consistency Beyond Contrast: Enhancing Open-Vocabulary Object Detection Robustness via Contextual Consistency Learning

• arxiv url: http://arxiv.org/abs/2603.26179v1
• Date: Fri, 27 Mar 2026 08:50:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.408082
• Title: Consistency Beyond Contrast: Enhancing Open-Vocabulary Object Detection Robustness via Contextual Consistency Learning
• Title（参考訳）: コントラストを超えた一貫性:文脈一貫性学習によるオープン語彙オブジェクト検出ロバストネスの促進
• Authors: Bozhao Li, Shaocong Wu, Tong Shao, Senqiao Yang, Qiben Shan, Zhuotao Tian, Jingyong Su,
• Abstract要約: 本稿では,オブジェクト検出のための新しいフレームワークであるContextual Consistency Learning (CCL)を紹介する。 CCLは、CBDG(Contextual Bootstrapped Data Generation)とCCLoss(Contextual Consistency Loss)の2つの重要な戦略を統合している。 提案手法は,OmniLabelの+16.3 AP,D3の+14.9 APに先立って,最先端の性能を実現する。
• 参考スコア（独自算出の注目度）: 31.834249688063597
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Recent advances in open-vocabulary object detection focus primarily on two aspects: scaling up datasets and leveraging contrastive learning to align language and vision modalities. However, these approaches often neglect internal consistency within a single modality, particularly when background or environmental changes occur. This lack of consistency leads to a performance drop because the model struggles to detect the same object in different scenes, which reveals a robustness gap. To address this issue, we introduce Contextual Consistency Learning (CCL), a novel framework that integrates two key strategies: Contextual Bootstrapped Data Generation (CBDG) and Contextual Consistency Loss (CCLoss). CBDG functions as a data generation mechanism, producing images that contain the same objects across diverse backgrounds. This is essential because existing datasets alone do not support our CCL framework. The CCLoss further enforces the invariance of object features despite environmental changes, thereby improving the model's robustness in different scenes. These strategies collectively form a unified framework for ensuring contextual consistency within the same modality. Our method achieves state-of-the-art performance, surpassing previous approaches by +16.3 AP on OmniLabel and +14.9 AP on D3. These results demonstrate the importance of enforcing intra-modal consistency, significantly enhancing model generalization in diverse environments. Our code is publicly available at: https://github.com/bozhao-li/CCL.
• Abstract（参考訳）: オープン語彙オブジェクト検出の最近の進歩は、主にデータセットのスケールアップと、対照的な学習を活用して言語と視覚のモダリティを整合させる2つの側面に焦点を当てている。 しかしながら、これらのアプローチは、特に背景や環境の変化が発生した場合、単一のモダリティ内で内部の一貫性を無視することが多い。 この一貫性の欠如は、モデルが異なるシーンで同じオブジェクトを検出するのに苦労するため、パフォーマンスの低下につながる。 この問題に対処するために、Contextual Bootstrapped Data Generation (CBDG) とContextual Consistency Loss (CCLoss) という2つの重要な戦略を統合する新しいフレームワークであるContextual Consistency Learning (CCL)を紹介した。 CBDGはデータ生成機構として機能し、さまざまな背景で同じオブジェクトを含む画像を生成する。 既存のデータセットだけでは私たちのCCLフレームワークをサポートしないので、これは必須です。 CCLossはさらに、環境変化にもかかわらずオブジェクトの特徴の不変性を強制し、異なるシーンにおけるモデルの堅牢性を改善する。 これらの戦略は、同じモダリティ内でコンテキスト整合性を確保するための統一された枠組みを形成する。 提案手法は,OmniLabelの+16.3 AP,D3の+14.9 APに先立って,最先端の性能を実現する。 これらの結果は、様々な環境におけるモデル一般化を著しく向上させ、モーダル内整合性を高めることの重要性を示している。 私たちのコードは、https://github.com/bozhao-li/CCLで公開されています。

関連論文リスト

• Directing the Narrative: A Finetuning Method for Controlling Coherence and Style in Story Generation [2.9255420892138306]
  堅牢で一貫したストーリー生成のために設計された2段階のフレームワークを提案する。 まず、本質的な一貫性を促進するメカニズムであるGSA(Group-Shared Attention)を紹介する。 第2に、DPO(Direct Preference Optimization)を利用して、生成した出力を人間の美学と物語の基準に合わせる。
  論文  参考訳（メタデータ） (2026-03-18T02:43:02Z)
• Robust Context-Aware Object Recognition [15.318646611581741]
  RCORは、ローカライゼーションを認識の不可欠な部分として扱い、オブジェクト中心およびコンテキスト認識モデリングを分離する。 その結果、ImageNet-1kのような複雑なシーンでも、認識前のローカライゼーションが可能になった。
  論文  参考訳（メタデータ） (2025-10-01T07:45:38Z)
• ContextFusion and Bootstrap: An Effective Approach to Improve Slot Attention-Based Object-Centric Learning [53.19029595226767]
  スロットアテンションに基づくフレームワークは、オブジェクト指向学習における主要なアプローチとして登場した。 現在の手法では、スロットからの再構築を可能にするため、トレーニングを通して安定した特徴空間が必要である。 本稿では,既存のスロットアテンションモデルにシームレスに統合可能な新しいContextFusionステージとBootstrapブランチを提案する。
  論文  参考訳（メタデータ） (2025-09-02T07:19:25Z)
• Point Cloud Understanding via Attention-Driven Contrastive Learning [64.65145700121442]
  トランスフォーマーベースのモデルは、自己認識機構を活用することにより、先進的なポイントクラウド理解を持つ。 PointACLは、これらの制限に対処するために設計された、注意駆動のコントラスト学習フレームワークである。 本手法では, 注意駆動型動的マスキング手法を用いて, モデルが非集中領域に集中するように誘導する。
  論文  参考訳（メタデータ） (2024-11-22T05:41:00Z)
• Mitigating Object Dependencies: Improving Point Cloud Self-Supervised Learning through Object Exchange [50.45953583802282]
  我々は,ポイントクラウドシーン理解のための新たな自己教師型学習(SSL)戦略を導入する。 このアプローチでは、オブジェクトパターンとコンテキストキューの両方を活用して、堅牢な機能を生成します。 提案手法は既存のSSL技術よりも優れていることを示す。
  論文  参考訳（メタデータ） (2024-04-11T06:39:53Z)
• Contextualization Distillation from Large Language Model for Knowledge Graph Completion [51.126166442122546]
  我々は、差別的かつ生成的なKGCフレームワークと互換性のあるプラグイン・アンド・プレイ方式であるContextualization Distillation戦略を導入する。 提案手法は,大規模言語モデルに対して,コンパクトで構造的な三重項を文脈に富んだセグメントに変換するように指示することから始まる。 多様なデータセットとKGC技術にわたる総合的な評価は、我々のアプローチの有効性と適応性を強調している。
  論文  参考訳（メタデータ） (2024-01-28T08:56:49Z)
• Contrastive View Design Strategies to Enhance Robustness to Domain Shifts in Downstream Object Detection [37.06088084592779]
  コントラスト学習とドメイン外オブジェクト検出の実証的研究を行う。 本稿では,外見シフトやコンテキストシフトのシナリオにおいて,ビューを拡大し,堅牢性を高める戦略を提案する。 我々の結果と洞察は、対照的な学習における視点の選択を通じて、堅牢性を確保する方法を示している。
  論文  参考訳（メタデータ） (2022-12-09T00:34:50Z)
• Salient Object Detection via Integrity Learning [104.13483971954233]
  整合性とは、ある有能な対象に属するすべての部分を強調する概念である。 ICON(Inteinity Cognition Network)の設計により,高感度物体検出のための整合性学習を容易にする。 ICONは3つの重要なコンポーネントを探索し、強力な整合性機能を学びます。
  論文  参考訳（メタデータ） (2021-01-19T14:53:12Z)
• Learning Robust Representation for Clustering through Locality Preserving Variational Discriminative Network [16.259673823482665]
  Variational Deep Embeddingは、さまざまなクラスタリングタスクで大きな成功を収めます。 VaDEは,1)入力ノイズに弱い,2)隣接するデータポイント間の局所性情報を無視する,という2つの問題に悩まされている。 強固な埋め込み判別器と局所構造制約によりvadeを改善する共同学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-12-25T02:31:55Z)

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。