論文の概要: Dual-Stage Invariant Continual Learning under Extreme Visual Sparsity

• arxiv url: http://arxiv.org/abs/2603.26190v1
• Date: Fri, 27 Mar 2026 09:03:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.415078
• Title: Dual-Stage Invariant Continual Learning under Extreme Visual Sparsity
• Title（参考訳）: 極視空間下での2段階不変連続学習
• Authors: Rangya Zhang, Jiaping Xiao, Lu Bai, Yuhang Zhang, Mir Feroskhan,
• Abstract要約: 背景駆動の勾配は、連続的なドメインシフトの間、機能のバックボーンを不安定にすることを示す。 連成蒸留による二段階不変連続学習フレームワークを提案する。 高分解能空間ベース RSO 検出データセットの実験は、確立された連続物体検出法よりも一貫した改善を示す。
• 参考スコア（独自算出の注目度）: 8.16821029459195
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Continual learning seeks to maintain stable adaptation under non-stationary environments, yet this problem becomes particularly challenging in object detection, where most existing methods implicitly assume relatively balanced visual conditions. In extreme-sparsity regimes, such as those observed in space-based resident space object (RSO) detection scenarios, foreground signals are overwhelmingly dominated by background observations. Under such conditions, we analytically demonstrate that background-driven gradients destabilize the feature backbone during sequential domain shifts, causing progressive representation drift. This exposes a structural limitation of continual learning approaches relying solely on output-level distillation, as they fail to preserve intermediate representation stability. To address this, we propose a dual-stage invariant continual learning framework via joint distillation, enforcing structural and semantic consistency on both backbone representations and detection predictions, respectively, thereby suppressing error propagation at its source while maintaining adaptability. Furthermore, to regulate gradient statistics under severe imbalance, we introduce a sparsity-aware data conditioning strategy combining patch-based sampling and distribution-aware augmentation. Experiments on a high-resolution space-based RSO detection dataset show consistent improvement over established continual object detection methods, achieving an absolute gain of +4.0 mAP under sequential domain shifts.
• Abstract（参考訳）: 連続学習は、静止しない環境下での安定した適応を目指しているが、既存のほとんどの手法が比較的バランスの取れた視覚条件を暗黙的に仮定するオブジェクト検出において、この問題は特に困難になる。 宇宙ベースの居住空間オブジェクト(RSO)検出シナリオで観測されるような極端にスパーシティな状況では、フォアグラウンド信号は背景観測によって圧倒的に支配される。 このような条件下では、背景駆動の勾配が連続的なドメインシフト中に特徴バックボーンを不安定にし、プログレッシブ表現のドリフトを引き起こすことを解析的に示す。 これは、中間表現安定性の維持に失敗するため、出力レベルの蒸留のみに依存する連続的な学習アプローチの構造的制限を露呈する。 そこで本研究では, バックボーン表現と検出予測の両方において, 構造的および意味的整合性を強制し, 適応性を維持しつつ, ソースにおける誤りの伝播を抑制する, 連成蒸留による2段階不変連続学習フレームワークを提案する。 さらに,厳密な不均衡下での勾配統計を規制するために,パッチベースサンプリングと分散対応強化を組み合わせた疎結合型データ条件付け手法を導入する。 高解像度空間ベースRSO検出データセットの実験は、確立された連続物体検出法よりも一貫した改善を示し、連続的なドメインシフトの下で+4.0 mAPの絶対的なゲインを達成する。

関連論文リスト

• On the Structural Non-Preservation of Epistemic Behaviour under Policy Transformation [51.56484100374058]
  このような情報条件の相互作用パターンを振る舞い依存として定式化する。 これにより、$$-behavioural equivalenceというプローブ相対的な概念と、政治内行動距離が導かれる。 その結果、共通政策変換の下でプローブ条件の挙動分離が保存されない構造条件が明らかになった。
  論文  参考訳（メタデータ） (2026-02-24T22:55:21Z)
• Binary Flow Matching: Prediction-Loss Space Alignment for Robust Learning [23.616336786063552]
  フローマッチングは、生成モデリングの強力なフレームワークとして登場した。 速度に基づく目的と結合した場合に発生する潜在構造ミスマッチを同定する。 信号空間に対する目的の再調整が特異重み付けを排除していることを示す。
  論文  参考訳（メタデータ） (2026-02-11T02:02:30Z)
• VSCOUT: A Hybrid Variational Autoencoder Approach to Outlier Detection in High-Dimensional Retrospective Monitoring [0.0]
  VSCOUTは、高次元設定での振り返り(Phase I)監視のために設計された、配布不要のフレームワークである。 VSCOUTは、制御された偽アラームを維持しながら、特別な原因構造に対する優れた感度を実現する。 そのスケーラビリティ、分散柔軟性、レジリエンスは、AI対応環境でのリフレクションモデリングと異常検出の実用的で効果的な方法としてVSCOUTを位置づけている。
  論文  参考訳（メタデータ） (2026-01-28T18:30:48Z)
• Local Gradient Regulation Stabilizes Federated Learning under Client Heterogeneity [41.890949680958805]
  フェデレートラーニング(FL)は、生データを共有せずに、分散クライアント間で協調的なモデルトレーニングを可能にする。 クライアントは、クライアントサイドの最適化中に局所的な勾配のダイナミクスを歪ませることでFLを不安定にする。 我々は、追加の通信オーバーヘッドを発生させることなく、局所的なグラデーションコントリビューションを規制する一般的なクライアント側視点を開発する。
  論文  参考訳（メタデータ） (2026-01-07T04:58:18Z)
• Distributionally Robust Control with End-to-End Statistically Guaranteed Metric Learning [5.309590159815129]
  我々は、新しいエンドツーエンド有限ホライズン・ワッサーシュタイン DRC フレームワークを提案する。 これは、異方性ワッサースタインメトリクスの学習と下流制御タスクを閉ループ方式で統合する。 提案手法は,最先端手法と比較して,クローズドループ性能とロバスト性に優れることを示す。
  論文  参考訳（メタデータ） (2025-10-11T13:40:49Z)
• Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
  TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。 我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。 並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
  論文  参考訳（メタデータ） (2025-08-28T07:09:21Z)
• Advancing Reliable Test-Time Adaptation of Vision-Language Models under Visual Variations [67.35596444651037]
  視覚言語モデル(VLM)は、素晴らしいゼロショット機能を示すが、ラベル付きデータが利用できない場合、下流タスクの分散シフトに苦慮する。 本稿では,信頼性を両面から高めるReliable Test-Time Adaptation (ReTA)法を提案する。
  論文  参考訳（メタデータ） (2025-07-13T05:37:33Z)
• Balancing Stability and Plasticity in Pretrained Detector: A Dual-Path Framework for Incremental Object Detection [19.684132921720945]
  安定性と可塑性のバランスは、事前訓練されたモデルベースインクリメンタルオブジェクト検出における根本的な課題である。 局所化安定性と分類可塑性を分離する事前訓練されたDETR検出器上に構築したデュアルパスフレームワークを提案する。 我々はPTMIODの安定性と塑性のバランスを効果的に保ち、堅牢なクロスドメイン適応と強力な鍛造能力の維持を実現していることを示す。
  論文  参考訳（メタデータ） (2025-04-14T13:31:35Z)
• Stable Neighbor Denoising for Source-free Domain Adaptive Segmentation [91.83820250747935]
  擬似ラベルノイズは主に不安定なサンプルに含まれており、ほとんどのピクセルの予測は自己学習中に大きく変化する。 我々は, 安定・不安定な試料を効果的に発見する, SND(Stable Neighbor Denoising)アプローチを導入する。 SNDは、様々なSFUDAセマンティックセグメンテーション設定における最先端メソッドよりも一貫して優れている。
  論文  参考訳（メタデータ） (2024-06-10T21:44:52Z)
• Beyond the Edge of Stability via Two-step Gradient Updates [49.03389279816152]
  Gradient Descent(GD)は、現代の機械学習の強力な仕事場である。 GDが局所最小値を見つける能力は、リプシッツ勾配の損失に対してのみ保証される。 この研究は、2段階の勾配更新の分析を通じて、単純だが代表的でありながら、学習上の問題に焦点をあてる。
  論文  参考訳（メタデータ） (2022-06-08T21:32:50Z)

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。