論文の概要: Detect in Any Scene: An Agentic Framework for Object Detection with Experience-Aware Reasoning

• arxiv url: http://arxiv.org/abs/2605.31174v1
• Date: Fri, 29 May 2026 11:41:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-01 20:56:50.574638
• Title: Detect in Any Scene: An Agentic Framework for Object Detection with Experience-Aware Reasoning
• Title（参考訳）: あらゆる場面における検出:経験的推論によるオブジェクト検出のためのエージェントフレームワーク
• Abstract要約: 実世界のシナリオにおける物体検出は、多様な画像劣化と異種物体分布のため、依然として困難である。 動的決定プロセスとしてオブジェクト検出を定式化するエージェント検出フレームワークであるDetASを提案する。
• 参考スコア（独自算出の注目度）: 4.730640137945023
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Object detection in real-world scenarios remains challenging due to diverse image degradations and heterogeneous object distributions, which significantly hinder the generalization of existing detectors. Conventional approaches, including scene-specific representation learning and end-to-end pipeline design, are inherently limited by their reliance on predefined conditions and lack adaptability to dynamic environments. In this paper, we propose DetAS, an agentic detection framework that formulates object detection as a dynamic decision process. Instead of relying on static pipelines, DetAS leverages a Multimodal Large Language Model (MLLM) as a central agent to adaptively compose detection workflows by selecting from a toolbox of restoration modules and specialized detectors. Specifically, DetAS consists of two key components: Self-Adaptive Image Restoration, which dynamically determines whether and how to enhance images for downstream detection, and Multi-Expertise Detection, which integrates multiple domain-specialized detectors and resolves their predictions through instance-level reasoning. To further improve decision quality under fine-grained conditions, we introduce Self-Evolving Experience Harvesting and extend the framework to DetAS-X, which accumulates node-level decision experience from a small set of annotated data and enables experience-aware reasoning during inference. This mechanism allows the system to progressively refine its decision policy and adapt to diverse real-world scenarios. Extensive experiments on six challenging benchmarks demonstrate that DetAS-X significantly outperforms existing MLLM-based detectors, achieving an average improvement of 28.36% in F1 score, with up to 37.01% gain on DarkFace. These results demonstrate the promise of agentic detection and establish a solid foundation for its application in complex and dynamic environments.
• Abstract（参考訳）: 実世界のシナリオにおける物体検出は、様々な画像劣化と異種物体の分布のために依然として困難であり、既存の検出器の一般化を著しく妨げている。 シーン固有の表現学習やエンドツーエンドのパイプライン設計を含む従来のアプローチは、事前に定義された条件への依存と動的環境への適応性の欠如によって本質的に制限されている。 本稿では,オブジェクト検出を動的決定プロセスとして定式化するエージェント検出フレームワークであるDetASを提案する。 静的パイプラインに頼る代わりに、DetASはMultimodal Large Language Model(MLLM)を中央エージェントとして利用し、リカバリモジュールと特殊検出器のツールボックスから選択することで、検出ワークフローを適応的に構成する。 DetASは、下流検出のための画像の強化を動的に決定するセルフアダプティブイメージ復元と、複数のドメイン特化検出器を統合し、インスタンスレベルの推論を通じて予測を解決するマルチエキスパート検出の2つの重要なコンポーネントで構成されている。 細かな条件下での意思決定の質をさらに向上するため、我々は自己進化体験のハーベスティングを導入し、フレームワークをDetAS-Xに拡張し、小さな注釈付きデータからノードレベルの意思決定体験を蓄積し、推論中に経験を意識した推論を可能にする。 このメカニズムにより、システムは決定ポリシーを段階的に洗練し、様々な現実世界のシナリオに適応できる。 6つの挑戦的なベンチマークに関する大規模な実験により、DetAS-Xは既存のMLLMベースの検出器を著しく上回り、F1のスコアは平均28.36%向上し、ダークフェイスでは37.01%向上した。 これらの結果は, エージェント検出の可能性を実証し, 複雑な, 動的環境におけるエージェント検出の基盤を確立した。

関連論文リスト

• SuppreSensing: Expert-Guided Feature Recalibration and Discrepancy Augmentation for Multimodal Object Detection [19.446402308279676]
  本稿では,多モード融合を選択的協調プロセスとして再構成するSuppreSensingを提案する。 SupreSensingは、最初にExpert-driven Multimodal Feature Recalibration (EMFR)モジュールを設計した。 モーダリティ固有の拡張戦略を用いて、特定のモーダリティの特徴を属性とする。 DroneVehicleとVEDAIデータセットの実験は、SuppreSensingが最先端の検出パフォーマンスを達成することを実証している。
  論文  参考訳（メタデータ） (2026-08-21T10:06:00Z)
• LOGOS: Language-guided Oriented Object Detection in Aerial Scenes [13.035539845858501]
  本稿では,テキストのプロンプトを利用した新しいトランスフォーマーベースのアプローチであるLOGOSを提案する。 特に,提案手法では,提案したテキストに基づいて,モデルの焦点を動的に調整するために,プロンプト変調されたコンテンツクエリを取り入れている。 私たちのアプローチは、リモートセンシングアプリケーションにおけるオブジェクト指向オブジェクト検出の堅牢性とスケーラビリティを改善するための大きな一歩を提供します。
  論文  参考訳（メタデータ） (2026-07-09T00:11:48Z)
• VFM$^{4}$SDG: Unveiling the Power of VFMs for Single-Domain Generalized Object Detection [33.39250067795076]
  現実のシナリオでは、天気、照明、撮像条件の連続的な変化は、大きなドメインシフトを引き起こす。 一般化オブジェクト検出(SDGOD)のための二元学習フレームワークを提案する。 符号化段階では,オブジェクト・バックグラウンドとインスタンス間モデリングの堅牢性を高めるために,クロスドメイン安定優先蒸留を提案する。 復号段階では,セマンティック・コンテキスト優先型クエリ拡張を提案する。
  論文  参考訳（メタデータ） (2026-04-23T10:04:36Z)
• Code-in-the-Loop Forensics: Agentic Tool Use for Image Forgery Detection [59.04089915447622]
  ForenAgentはインタラクティブなIFDフレームワークで、MLLMが検出対象に関するPythonベースの低レベルツールを自律的に生成、実行、洗練することができる。 人間の推論にインスパイアされた我々は、グローバルな認識、局所的な焦点、反復的探索、そして全体論的偏見を含む動的推論ループを設計する。 実験の結果,ForenAgent は IFD 課題に対する創発的なツール利用能力と反射的推論を示すことがわかった。
  論文  参考訳（メタデータ） (2025-12-18T08:38:44Z)
• Source-Free Object Detection with Detection Transformer [59.33653163035064]
  Source-Free Object Detection (SFOD) は、ソースデータにアクセスすることなく、ソースドメインから教師なしのターゲットドメインへの知識転送を可能にする。 ほとんどの既存のSFODアプローチは、より高速なR-CNNのような従来のオブジェクト検出(OD)モデルに限られるか、新しいODアーキテクチャ、特に検出変換器(DETR)に適合しない一般的なソリューションとして設計されている。 本稿では,DTRのクエリ中心の機能強化を特化して設計された新しいSFODフレームワークであるFeature Reweighting ANd Contrastive Learning NetworK(FRANCK)を紹介する。
  論文  参考訳（メタデータ） (2025-10-13T07:35:04Z)
• Generalization-Enhanced Few-Shot Object Detection in Remote Sensing [22.411751110592842]
  Few-shot Object Detection (FSOD) は、データ制限条件下でのオブジェクト検出の課題をターゲットにしている。 リモートセンシングタスクにおける一般化機能を改善するために,GE-FSODモデルを提案する。 我々のモデルでは、CFPAN(Cross-Level Fusion Pyramid Attention Network)、MRRPN(Multi-Stage Refinement Region Proposal Network)、GCL(Generalized Classification Loss)の3つの重要なイノベーションを紹介している。
  論文  参考訳（メタデータ） (2025-01-05T08:12:25Z)
• Optimizing Multispectral Object Detection: A Bag of Tricks and Comprehensive Benchmarks [49.84182981950623]
  RGBおよびTIR(熱赤外)変調を利用したマルチスペクトル物体検出は,課題として広く認識されている。 モダリティと堅牢な融合戦略の両方から特徴を効果的に抽出するだけでなく、スペクトルの相違といった問題に対処する能力も必要である。 本稿では,高パフォーマンス単一モードモデルのシームレスな最適化が可能な,効率的かつ容易にデプロイ可能なマルチスペクトルオブジェクト検出フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-27T12:18:39Z)
• Mixture-of-Noises Enhanced Forgery-Aware Predictor for Multi-Face Manipulation Detection and Localization [52.87635234206178]
  本稿では,多面的操作検出と局所化に適したMoNFAPという新しいフレームワークを提案する。 このフレームワークには2つの新しいモジュールが含まれている: Forgery-aware Unified Predictor (FUP) Module と Mixture-of-Noises Module (MNM)。
  論文  参考訳（メタデータ） (2024-08-05T08:35:59Z)
• Cross-Domain Few-Shot Object Detection via Enhanced Open-Set Object Detector [72.05791402494727]
  本稿では,CD-FSODを用いたクロスドメイン小ショット検出法について検討する。 最小限のラベル付き例で、新しいドメインのための正確なオブジェクト検出器を開発することを目的としている。
  論文  参考訳（メタデータ） (2024-02-05T15:25:32Z)
• Robust Object Detection via Instance-Level Temporal Cycle Confusion [89.1027433760578]
  物体検出器の分布外一般化を改善するための補助的自己監視タスクの有効性を検討する。 最大エントロピーの原理に触発されて,新しい自己監督タスクであるインスタンスレベル時間サイクル混乱(cycconf)を導入する。 それぞれのオブジェクトに対して、タスクは、ビデオ内の隣接するフレームで最も異なるオブジェクトの提案を見つけ、自己スーパービジョンのために自分自身にサイクルバックすることです。
  論文  参考訳（メタデータ） (2021-04-16T21:35:08Z)

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。