論文の概要: Heterogeneous Model Fusion for Privacy-Aware Multi-Camera Surveillance via Synthetic Domain Adaptation

• arxiv url: http://arxiv.org/abs/2605.02169v2
• Date: Sun, 10 May 2026 01:39:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 19:24:01.224006
• Title: Heterogeneous Model Fusion for Privacy-Aware Multi-Camera Surveillance via Synthetic Domain Adaptation
• Title（参考訳）: プライバシーに配慮したマルチカメラサーベイランスのための合成ドメイン適応による不均一モデル融合
• Authors: Peggy Joy Lu, Wei-Yu Chen, Yao-Tsung Huang, Vincent Shin-Mu Tseng,
• Abstract要約: HeroCrystalは、マルチカメラドメイン適応オブジェクト検出のためのプライバシー保護フレームワークである。 当社のフレームワークは,データプライバシやクラス不均衡,異種アーキテクチャといった課題に対処する。 従来のプライバシ保護手法に比べて,mAPを+2.1%改善する。
• 参考スコア（独自算出の注目度）: 9.857691969307828
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: We propose HeroCrystal, a novel privacy-preserving framework for multi-camera domain-adaptive object detection, addressing challenges such as data privacy, class imbalance, and heterogeneous architectures. Our framework consists of three key stages. In the Generated Stage, we introduce a one-shot, target-aware diffusion-based generation module that learns visual style from a single target-domain image while leveraging prompt-based control to synthesize specific object instances. Unlike conventional style transfer-based methods that require large target datasets and ignore semantic-level discrepancies, our approach enables privacy-preserving augmentation to reduce ethical concerns, and introduces controllable rare object generation to mitigate long-tailed category degradation. In the Federated Stage, we employ probabilistic Faster R-CNN on the client side to improve localization accuracy, and a dynamic model contrastive strategy to suppress domain-specific bias. The server side performs model fusion across heterogeneous architectures without accessing raw data. Finally, in the Distilled Stage, we propose an inconsistent categories integration algorithm to resolve label inconsistency and architecture heterogeneity across clients. Extensive experiments on multiple cross-domain detection benchmarks demonstrate that our method outperforms existing multi-source domain adaptation and federated learning baselines under multi-class, privacy-preserving settings. Our method improves mAP by +2.1% over prior privacy-preserving approaches and achieves a new state-of-the-art mAP of 33.4%, highlighting the effectiveness of HeroCrystal in enabling practical multi-camera AI surveillance systems. The source code is publicly available at https://github.com/ccuvislab/HeroCrystal.
• Abstract（参考訳）: 我々はHeroCrystalを提案する。HeroCrystalは、マルチカメラドメイン適応オブジェクト検出のための新しいプライバシ保護フレームワークで、データのプライバシ、クラス不均衡、異種アーキテクチャといった課題に対処する。 私たちのフレームワークは3つの重要なステージで構成されています。 生成段階(Generated Stage)では,1つのターゲットドメインイメージから視覚スタイルを学習し,プロンプトベースの制御を利用して特定のオブジェクトインスタンスを合成する,ワンショットのターゲット対応拡散ベース生成モジュールを導入する。 提案手法は,大規模なターゲットデータセットを必要とせず,セマンティックレベルの不一致を無視する従来のスタイル転送方式とは異なり,プライバシー保護の強化により倫理的懸念を軽減し,長期的カテゴリー劣化を軽減するために制御可能なレアオブジェクト生成を導入する。 フェデレート段階では、クライアント側で確率的高速R-CNNを用いてローカライズ精度を向上させるとともに、ドメイン固有のバイアスを抑制するための動的モデルコントラスト戦略を提案する。 サーバ側は、生のデータにアクセスせずに異種アーキテクチャをまたいだモデル融合を実行する。 最後に, クライアント間でのラベルの不整合とアーキテクチャの不均一性を解決するために, 不整合カテゴリ統合アルゴリズムを提案する。 複数のクロスドメイン検出ベンチマークに対する大規模な実験により,本手法は,マルチクラス・プライバシ保護設定下で,既存のマルチソースドメイン適応やフェデレーション学習ベースラインよりも優れていることが示された。 本手法は,従来のプライバシ保護アプローチよりも2.1%向上し,HeroCrystalの実用的マルチカメラAI監視システムの実現における有効性を強調した,33.4%の新たな最先端のmAPを実現する。 ソースコードはhttps://github.com/ccuvislab/HeroCrystal.comで公開されている。

関連論文リスト

• Prototype-Regularized Federated Learning for Cross-Domain Aspect Sentiment Triplet Extraction [16.84821204487277]
  Aspect Sentiment Triplet extractは、文章からアスペクト項、意見項、感情極性のすべての感情三重項を抽出することを目的としている。 既存のメソッドは通常、個々のデータセットを個別にトレーニングし、ドメイン間で共有される共通の特徴表現を共同でキャプチャすることができない。 分散クライアントがモデルパラメータの代わりにクラスレベルのプロトタイプを交換できるように,プロトタイプベースのクロスドメインスパンプロトタイプ抽出(PCD-SpanProto)を提案する。
  論文  参考訳（メタデータ） (2026-04-10T09:03:44Z)
• FeDecider: An LLM-Based Framework for Federated Cross-Domain Recommendation [75.50721642765994]
  大規模言語モデル(LLM)ベースのレコメンデーションモデルは、素晴らしいパフォーマンスを示している。 We propose a LLM-based framework for Federated cross- domain recommendation, FeDecider。 多様なデータセットにわたる大規模な実験により、提案したFeDeciderの有効性が検証された。
  論文  参考訳（メタデータ） (2026-02-17T21:42:28Z)
• Object Style Diffusion for Generalized Object Detection in Urban Scene [69.04189353993907]
  本稿では,GoDiffという新しい単一ドメインオブジェクト検出一般化手法を提案する。 擬似ターゲットドメインデータとソースドメインデータを統合することで、トレーニングデータセットを多様化する。 実験により,本手法は既存の検出器の一般化能力を高めるだけでなく,他の単一領域一般化手法のプラグ・アンド・プレイ拡張として機能することが示された。
  論文  参考訳（メタデータ） (2024-12-18T13:03:00Z)
• FedDUAL: A Dual-Strategy with Adaptive Loss and Dynamic Aggregation for Mitigating Data Heterogeneity in Federated Learning [12.307490659840845]
  フェデレートラーニング(FL)は、様々なクライアントからローカルに最適化されたモデルと、統一されたグローバルモデルを組み合わせる。 FLは、性能劣化、収束の遅さ、グローバルモデルの堅牢性低下など、重大な課題に直面している。 これらの問題を効果的に解決するために、革新的なデュアルストラテジーアプローチを導入する。
  論文  参考訳（メタデータ） (2024-12-05T18:42:29Z)
• Unified Domain Generalization and Adaptation for Multi-View 3D Object Detection [14.837853049121687]
  マルチビューカメラを利用した3次元物体検出は, 視覚課題における実用的, 経済的価値を実証した。 典型的な教師付き学習アプローチは、目に見えない、ラベルなしのターゲットデータセットに対する満足な適応を達成する上で、課題に直面します。 本稿では、これらの欠点を軽減するための実践的なソリューションとして、統一ドメイン一般化・適応(UDGA)を提案する。
  論文  参考訳（メタデータ） (2024-10-29T18:51:49Z)
• StyDeSty: Min-Max Stylization and Destylization for Single Domain Generalization [85.18995948334592]
  単一のドメインの一般化(単一DG)は、単一のトレーニングドメインからのみ見えないドメインに一般化可能な堅牢なモデルを学ぶことを目的としている。 最先端のアプローチは、主に新しいデータを合成するために、敵対的な摂動やスタイルの強化といったデータ拡張に頼っている。 データ拡張の過程で、ソースと擬似ドメインのアライメントを明示的に考慮したemphStyDeStyを提案する。
  論文  参考訳（メタデータ） (2024-06-01T02:41:34Z)
• Generative Domain Adaptation for Face Anti-Spoofing [38.12738183385737]
  教師なしドメイン適応(UDA)に基づくアンチスプーフィングアプローチは、ターゲットシナリオに対する有望なパフォーマンスのために注目を集めている。 既存のUDA FASメソッドは、通常、セマンティックな高レベルの機能の分布を整列することで、トレーニングされたモデルをターゲットドメインに適合させる。 対象データをモデルに直接適合させ、画像翻訳により対象データをソースドメインスタイルにスタイリングし、さらに、訓練済みのソースモデルにスタイリングされたデータを入力して分類する、UDA FASの新しい視点を提案する。
  論文  参考訳（メタデータ） (2022-07-20T16:24:57Z)
• Source-Free Open Compound Domain Adaptation in Semantic Segmentation [99.82890571842603]
  SF-OCDAでは、ターゲットモデルを学習するために、ソース事前訓練されたモデルとターゲットデータのみが利用可能である。 そこで我々は,Cross-Patch Style Swap (CPSS)を提案する。 提案手法は,C-Drivingデータセット上で最先端の結果を生成する。
  論文  参考訳（メタデータ） (2021-06-07T08:38:41Z)
• Unsupervised and self-adaptative techniques for cross-domain person re-identification [82.54691433502335]
  非重複カメラにおける人物再識別(ReID)は難しい課題である。 Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。 本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
  論文  参考訳（メタデータ） (2021-03-21T23:58:39Z)
• Unsupervised Domain Adaptation in Person re-ID via k-Reciprocal Clustering and Large-Scale Heterogeneous Environment Synthesis [76.46004354572956]
  個人再識別のための教師なし領域適応手法を提案する。 実験結果から,ktCUDA法とSHRED法は,再同定性能において,+5.7 mAPの平均的改善を実現することがわかった。
  論文  参考訳（メタデータ） (2020-01-14T17:43:52Z)

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。