論文の概要: LFA: Layer Feature Attention for Run-Time Introspection of 2D Object Detectors in Automated Driving

• arxiv url: http://arxiv.org/abs/2606.00372v1
• Date: Fri, 29 May 2026 21:27:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.368343
• Title: LFA: Layer Feature Attention for Run-Time Introspection of 2D Object Detectors in Automated Driving
• Title（参考訳）: LFA: 自動走行における2次元物体検出器の実行時イントロスペクションのための層配置注意
• Abstract要約: 検出障害を予測する検査方法は、フォールバック機構を起動したり、人間のオペレータに警告することで、より安全なデプロイメントを可能にする。 本稿では,複数のバックボーン層から注目機構を通じて特徴を集約する軽量な検査手法であるLayer Feature Attention (LFA)を提案する。
• 参考スコア（独自算出の注目度）: 34.11051746501345
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable object detection is critical for automated driving, yet even state-of-the-art detectors inevitably make errors that can compromise safety. Introspection methods that predict detector failures enable safer deployment by triggering fallback mechanisms or alerting human operators. However, existing approaches rely solely on last-layer features or hand-crafted statistics, discarding valuable information from earlier layers that capture different levels of visual abstraction. We propose Layer Feature Attention (LFA), a lightweight introspection method that learns to aggregate features from multiple backbone layers through an attention mechanism. Our key insight is that detection errors manifest differently across feature hierarchies: low-level layers capture fine-grained details essential for detecting small or occluded objects, while high-level layers encode semantic information for scene understanding. LFA learns layer importance weights end-to-end, enabling both improved error prediction and interpretable analysis of which feature levels are most indicative of detector failures. Extensive experiments on KITTI and BDD100K demonstrate that LFA achieves state-of-the-art introspection performance, outperforming single-layer baselines across multiple detector architectures.
• Abstract（参考訳）: 信頼性の高い物体検出は自動走行には不可欠だが、最先端の検出器でさえ、安全を損なう可能性のあるエラーを必然的に発生させる。 検出障害を予測する検査方法は、フォールバック機構を起動したり、人間のオペレータに警告することで、より安全なデプロイメントを可能にする。 しかし、既存のアプローチはラストレイヤの機能や手作りの統計にのみ依存しており、異なるレベルの視覚的抽象化をキャプチャする以前のレイヤから貴重な情報を捨てている。 本稿では,複数のバックボーン層から注目機構を通じて特徴を集約する軽量な検査手法であるLayer Feature Attention (LFA)を提案する。 私たちの重要な洞察は、検出エラーは機能階層によって異なる、ということです。低レベルのレイヤは、小さなまたは隠されたオブジェクトを検出するのに不可欠なきめ細かい詳細をキャプチャし、高レベルのレイヤは、シーン理解のためのセマンティック情報をエンコードします。 LFAは層重みをエンドツーエンドに学習し、エラー予測の改善と、どの特徴レベルが最も検出失敗を示すかの解釈可能な解析を可能にする。 KITTIとBDD100Kの大規模な実験は、LFAが最先端のイントロスペクション性能を実現し、複数の検出器アーキテクチャをまたいだ単一層ベースラインを上回っていることを示している。

関連論文リスト

• Deep Residual Injection for Full-Spectrum Forensic Signal Perception in Multimodal Large Language Models [51.099179436350376]
  マルチモーダルな大言語モデル(MLLM)は、その堅牢な意味理解のために、法医学においてますます採用されている。 本稿では,人工物固有の視覚信号を中間層に残路として注入しながら,初期意味処理を保存するためのDeep Visual Residual MLLM(Deep-VRM)を提案する。 これにより、後続のレイヤは意味論的推論と信号レベルの法医学的手がかりを共同でモデル化することができ、驚くべきことに、モデルが入力に応じて異なるレベルの法医学的信号を適応的に活用することを学ぶ。
  論文  参考訳（メタデータ） (2026-06-14T16:05:45Z)
• The Regularizing Power of Language-Training Deepfake Detectors [57.529452351298495]
  ディープフェイク検出は一般的に、低レベルのドメイン固有のアーティファクトへの過度な適合に悩まされる。 デュアルエンコーダアーキテクチャを使用し、凍結した特殊検出器とLoRA調整されたMLLMエンコーダをペアリングする。 我々は、モデルが分類する前に記述的推論を生成することを奨励する強化学習段階を採用している。
  論文  参考訳（メタデータ） (2026-05-29T12:01:17Z)
• From Words to Wavelengths: VLMs for Few-Shot Multispectral Object Detection [7.459632891054827]
  マルチスペクトル物体検出は、自律運転や監視といった安全に敏感なアプリケーションに不可欠である。 近年のコンピュータビジョンにおけるビジョン・ランゲージ・モデルの成功に触発されて、我々は、数発のマルチスペクトル物体検出の可能性を探る。
  論文  参考訳（メタデータ） (2025-12-17T21:06:36Z)
• X2-DFD: A framework for eXplainable and eXtendable Deepfake Detection [55.77552681618732]
  X2-DFDは、eXplainableおよびeXtendableフレームワークであり、ディープフェイク検出のためのマルチモーダルな多言語モデル(MLLM)に基づいている。 最初の段階であるモデル特徴評価は、MLLMの偽造関係の特徴の検出可能性を体系的に評価する。 2番目のステージであるExplainable dataset Constructionは、Strong Feature StrengtheningとWeak Feature Supplementingの2つの重要なモジュールで構成されている。 3番目のステージであるファインチューニングと推論では、構築されたデータセット上でMLLMを微調整し、最終的な検出と説明のためにデプロイする。
  論文  参考訳（メタデータ） (2024-10-08T15:28:33Z)
• Run-time Monitoring of 3D Object Detection in Automated Driving Systems Using Early Layer Neural Activation Patterns [12.384452095533396]
  自動運転システム(ADS)の統合性監視は安全性を確保する上で最重要である。 近年のディープニューラルネットワーク(DNN)を用いた物体検出装置の進歩,検出誤差への感受性は重要な懸念点である。
  論文  参考訳（メタデータ） (2024-04-11T12:24:47Z)
• A Low-cost Strategic Monitoring Approach for Scalable and Interpretable Error Detection in Deep Neural Networks [6.537257913467249]
  深層コンピュータビジョンネットワークのための高能率ランタイムモニタリング手法を提案する。 ハードウェアメモリと入力障害の両方から発生するサイレントデータの破損を効率よく検出することができる。
  論文  参考訳（メタデータ） (2023-10-31T10:45:55Z)
• The Overlooked Classifier in Human-Object Interaction Recognition [82.20671129356037]
  クラス間の意味的相関を分類ヘッドにエンコードし,重みをHOIの言語埋め込みで初期化する。 我々は,LSE-Sign という新しい損失を,長い尾を持つデータセット上でのマルチラベル学習を強化するために提案する。 我々は,物体検出と人間のポーズを明確なマージンで求める最先端技術よりも優れた,検出不要なHOI分類を可能にする。
  論文  参考訳（メタデータ） (2022-03-10T23:35:00Z)
• Activation to Saliency: Forming High-Quality Labels for Unsupervised Salient Object Detection [54.92703325989853]
  本稿では,高品質なサリエンシキューを効果的に生成する2段階アクティベーション・ツー・サリエンシ(A2S)フレームワークを提案する。 トレーニングプロセス全体において、私たちのフレームワークにヒューマンアノテーションは関与していません。 本フレームワークは,既存のUSOD法と比較して高い性能を示した。
  論文  参考訳（メタデータ） (2021-12-07T11:54:06Z)
• Cross-layer Feature Pyramid Network for Salient Object Detection [102.20031050972429]
  本稿では,有能な物体検出における進行的融合を改善するために,新しいクロス層特徴ピラミッドネットワークを提案する。 レイヤごとの分散機能は、他のすべてのレイヤからセマンティクスと健全な詳細の両方を同時に所有し、重要な情報の損失を減らします。
  論文  参考訳（メタデータ） (2020-02-25T14:06:27Z)
• Progressive Object Transfer Detection [84.48927705173494]
  本稿では,新しいプログレッシブオブジェクト転送検出(POTD)フレームワークを提案する。 第一に、POTDは様々なドメインの様々なオブジェクトを効果的にプログレッシブな検出手順に活用することができる。 第2に、POTDは2つの微妙な転送段階、すなわち、LSTD(low-Shot Transfer Detection)とWSTD(Weakly Supervised Transfer Detection)から構成される。
  論文  参考訳（メタデータ） (2020-02-12T00:16:24Z)

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。