論文の概要: Generalization Under Scrutiny: Cross-Domain Detection Progresses, Pitfalls, and Persistent Challenges

• arxiv url: http://arxiv.org/abs/2604.08230v1
• Date: Thu, 09 Apr 2026 13:21:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.935729
• Title: Generalization Under Scrutiny: Cross-Domain Detection Progresses, Pitfalls, and Persistent Challenges
• Title（参考訳）: 監視下の一般化: クロスドメイン検出の進歩, 落とし穴, 永続的課題
• Authors: Saniya M. Deshmukh, Kailash A. Hambarde, Hugo Proença,
• Abstract要約: クロスドメインオブジェクト検出(CDOD)は依然として重要な研究領域である。 既存の文献は断片化され続けており、ドメインシフトの根底にある構造的課題について統一的な視点が欠如している。 本調査はCDODを理解するための統一的なフレームワークの提供と,より堅牢な検出システムの開発を導くことを目的としている。
• 参考スコア（独自算出の注目度）: 3.5942496616930435
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Object detection models trained on a source domain often exhibit significant performance degradation when deployed in unseen target domains, due to various kinds of variations, such as sensing conditions, environments and data distributions. Hence, regardless the recent breakthrough advances in deep learning-based detection technology, cross-domain object detection (CDOD) remains a critical research area. Moreover, the existing literature remains fragmented, lacking a unified perspective on the structural challenges underlying domain shift and the effectiveness of adaptation strategies. This survey provides a comprehensive and systematic analysis of CDOD. We start upon a problem formulation that highlights the multi-stage nature of object detection under domain shift. Then, we organize the existing methods through a conceptual taxonomy that categorizes approaches based on adaptation paradigms, modeling assumptions, and pipeline components. Furthermore, we analyze how domain shift propagates across detection stages and discuss why adaptation in object detection is inherently more complex than in classification. In addition, we review commonly used datasets, evaluation protocols, and benchmarking practices. Finally, we identify the key challenges and outline promising future research directions. Cohesively, this survey aims to provide a unified framework for understanding CDOD and to guide the development of more robust detection systems.
• Abstract（参考訳）: ソースドメインでトレーニングされたオブジェクト検出モデルは、検知条件や環境、データ分散など、さまざまなバリエーションのために、目に見えないターゲットドメインにデプロイされた場合、大きなパフォーマンス劣化を示すことが多い。 したがって、近年のディープラーニングに基づく検出技術の進歩にかかわらず、クロスドメインオブジェクト検出(CDOD)は依然として重要な研究領域である。 さらに、既存の文献は断片化されており、ドメインシフトの根底にある構造的課題と適応戦略の有効性に関する統一的な視点が欠如している。 本調査はCDODを包括的かつ体系的に分析する。 まず、ドメインシフト下でのオブジェクト検出の多段階的な性質を強調した問題定式化を行う。 そして、適応パラダイム、モデリング仮定、パイプラインコンポーネントに基づいたアプローチを分類する概念分類を通じて、既存の手法を整理する。 さらに,ドメインシフトが検出段階間でどのように伝播するかを解析し,対象検出における適応が分類よりも本質的に複雑である理由について議論する。 さらに,一般的なデータセット,評価プロトコル,ベンチマークプラクティスについても検討した。 最後に、重要な課題を特定し、将来的な研究の方向性を概説する。 本調査はCDODを理解するための統一的なフレームワークの提供と,より堅牢な検出システムの開発を導くことを目的としている。

関連論文リスト

• Domain Generalization for Person Re-identification: A Survey Towards Domain-Agnostic Person Matching [9.437150525177383]
  人物再識別(ReID)は、重複しないカメラビューで撮影された同一人物の画像を取得することを目的としている。 従来のReIDメソッドは、視点、背景、照明条件の変化によって引き起こされるドメインシフトによって、目に見えない領域に一般化できない。 近年,多様な環境における一般化を促進するための様々な手法が研究されている。
  論文  参考訳（メタデータ） (2025-06-14T09:15:00Z)
• Anomaly Detection and Generation with Diffusion Models: A Survey [51.61574868316922]
  異常検出(AD)は、サイバーセキュリティ、金融、医療、工業製造など、さまざまな分野において重要な役割を担っている。 近年のディープラーニング,特に拡散モデル(DM)の進歩は,大きな関心を集めている。 この調査は、研究者や実践者が様々なアプリケーションにまたがる革新的なADソリューションにDMを利用することをガイドすることを目的としている。
  論文  参考訳（メタデータ） (2025-06-11T03:29:18Z)
• Object Detectors in the Open Environment: Challenges, Solutions, and Outlook [95.3317059617271]
  オープン環境のダイナミックで複雑な性質は、オブジェクト検出器に新しくて恐ろしい挑戦をもたらす。 本稿では,オープン環境におけるオブジェクト検出器の総合的なレビューと解析を行う。 データ/ターゲットの変化の次元に基づいて、4つの四分法(ドメイン外、カテゴリ外、堅牢な学習、漸進的な学習)を含むフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-24T19:32:39Z)
• Oriented object detection in optical remote sensing images using deep learning: a survey [13.05317817164702]
  オブジェクト指向物体検出は、リモートセンシングの基本的かつ困難な課題である。 近年のディープラーニングの進歩により、オブジェクト指向物体検出法の能力は大幅に向上した。
  論文  参考訳（メタデータ） (2023-02-21T06:31:53Z)
• A Survey on Deep Domain Adaptation and Tiny Object Detection Challenges, Techniques and Datasets [11.911055871045715]
  本研究では,コンピュータビジョンに基づく物体検出の課題と解法を,異なる手法を用いて分析した。 対象物検出に関わる課題を概説し, 歴史的, 比較分析による解を提示した。
  論文  参考訳（メタデータ） (2021-07-16T14:33:31Z)
• A Survey of Community Detection Approaches: From Statistical Modeling to Deep Learning [95.27249880156256]
  ネットワークコミュニティファイリング手法の統一アーキテクチャを開発し,提案する。 既存の手法を確率的グラフィカルモデルとディープラーニングという2つのカテゴリに分けた新しい分類法を提案する。 フィールドの課題の議論と今後の研究の方向性の提案を締めくくります。
  論文  参考訳（メタデータ） (2021-01-03T02:32:45Z)

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。