論文の概要: Rank-Aware Quantile Activation for Motion-Robust Crop Segmentation in UAV Imagery

• arxiv url: http://arxiv.org/abs/2606.01118v1
• Date: Sun, 31 May 2026 09:34:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:29.217164
• Title: Rank-Aware Quantile Activation for Motion-Robust Crop Segmentation in UAV Imagery
• Title（参考訳）: UAV画像におけるモーション・ロバスト・クロップ・セグメンテーションのためのランクアウェア量子化
• Authors: Abinav Kiran, Sravan Danda, Aditya Challa, Sougata Sen, Daya Sagar B S,
• Abstract要約: 高速UAV取得による動きのぼかしは、希少なテクスチャ依存クラスにおけるセマンティックセグメンテーションをデグレードする。 標準CNNは、破壊を曖昧にし、マイノリティ信号の統計的消去を引き起こすような、周波数の大きい特徴に依存している。 本稿では,大域ゲーティングをインスタンスレベルの正規化に置き換えたランク対応ブロックであるDual Quantile Activation (QAct)を提案する。
• 参考スコア（独自算出の注目度）: 2.8295667704503753
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Motion blur from high-speed UAV acquisition de-grades semantic segmentation on rare texture-dependent classes with high agronomic value. Standard CNNs rely on high-frequency magnitude features that blur destroys, causing statistical erasure of minority signals. We propose Dual Quantile Activation (QAct), a rank-aware block replacing magnitude gating with instance-level rank normalization. Evaluated onAgriculture-Vision 2021 across zero-shot and blur-supervised regimes at multiple severities, QAct is the dominant architectural factor: it delivers consistent mIoU gains over ReLU across both regimes and all severities, with strongest gains on rare structural and texture-dependent classes. Some dominant classes (water,planter skip) show mixed per-class performance under distillation. At moderate blur, zero-shot QAct outperforms distillation-trained ReLU; across all severities, Distill-QAct achieves best performance, confirming rank aware activation and blur-domain training are complementary robustness sources.
• Abstract（参考訳）: 高速UAV取得による動きのぼかしは、アグロノミック値の高い希少なテクスチャ依存クラスにおけるセマンティックセグメンテーションをデグレードする。 標準CNNは、破壊を曖昧にし、マイノリティ信号の統計的消去を引き起こすような、周波数の大きい特徴に依存している。 本稿では,大域ゲーティングをインスタンスレベルの正規化に置き換えたランク対応ブロックであるDual Quantile Activation (QAct)を提案する。 QActは、レギュラーとすべてのレギュラーをまたいだ一貫性のあるmIoUゲインを、レギュラーとテクスチャに依存したクラスで提供し、レギュラーな構造とテクスチャに依存したクラスに最強の利益をもたらします。 いくつかの支配的なクラス(水, プランタースキップ)は蒸留下でのクラスごとの混合性能を示す。 適度なぼかしでは、ゼロショットQActは蒸留訓練されたReLUより優れており、全ての重大度において、Distill-QActは最高の性能を達成し、ランク認識活性化とボケドメイントレーニングが相補的な堅牢性源であることを確認した。

関連論文リスト

• Learning to Credit the Right Steps: Objective-aware Process Optimization for Visual Generation [57.61006679699323]
  強化学習は人間の嗜好信号を用いた視覚生成モデルの訓練後の効果的な枠組みとして登場した。 現代の視覚生成では、視覚的品質、動きの整合性、テキストアライメントなどの不均一な目的を捉えるために、複数の報酬モデルがしばしば使用される。 GRPO の微粒化学習のための構造化フレームワークである Objective-Aware Trajectory Credit Assignment (OTCA) を提案する。
  論文  参考訳（メタデータ） (2026-04-21T08:37:13Z)
• ClusIR: Towards Cluster-Guided All-in-One Image Restoration [72.16989784735796]
  ClusIRは、統一されたフレームワーク内でさまざまな劣化から高品質なイメージを復元することを目的としている。 ClusIRは、確率的クラスタ誘導ルーティング機構(PCGRM)と劣化対応周波数変調モジュール(DAFMM)の2つの重要なコンポーネントから構成される。
  論文  参考訳（メタデータ） (2025-12-11T18:59:47Z)
• FASTer: Toward Efficient Autoregressive Vision Language Action Modeling via Neural Action Tokenization [61.10456021136654]
  本稿では,効率的で汎用的なロボット学習のための統合フレームワークであるFASTerを紹介する。 FASTerVQは、アクションチャンクをシングルチャネルイメージとしてエンコードし、高い圧縮比を維持しながら、グローバルな時間的依存関係をキャプチャする。 FASTerVLAはブロックワイドの自動回帰デコーディングと軽量アクションエキスパートを備えたトークンライザ上に構築されており、推論の高速化とタスクパフォーマンスの向上を実現している。
  論文  参考訳（メタデータ） (2025-12-04T16:21:38Z)
• VRS-UIE: Value-Driven Reordering Scanning for Underwater Image Enhancement [104.78586859995333]
  状態空間モデル(SSM)は、線形複雑性と大域的受容場のために、視覚タスクの有望なバックボーンとして登場した。 大型で均質だが無意味な海洋背景の優位性は、希少で価値ある標的の特徴表現応答を希薄にすることができる。 水中画像強調(UIE)のための新しい値駆動リダクションスキャンフレームワークを提案する。 本フレームワークは, 水バイアスを効果的に抑制し, 構造や色彩の忠実さを保ち, 優れた向上性能(WMambaを平均0.89dB超える)を実現する。
  論文  参考訳（メタデータ） (2025-05-02T12:21:44Z)
• Boosting Visual Recognition in Real-world Degradations via Unsupervised Feature Enhancement Module with Deep Channel Prior [22.323789227447755]
  霧、低照度、動きのぼかしは画像の品質を低下させ、自動運転の安全性を脅かす。 本研究は、劣化した視覚認識のための新しいDeep Channel Prior (DCP)を提案する。 これに基づいて、教師なし特徴補正を実現するために、新しいプラグアンドプレイunsupervised Feature Enhancement Module (UFEM)を提案する。
  論文  参考訳（メタデータ） (2024-04-02T07:16:56Z)
• Threshold Matters in WSSS: Manipulating the Activation for the Robust and Accurate Segmentation Model Against Thresholds [16.6833745997519]
  弱教師付きセマンティックセマンティックセマンティックセマンティクス(WSSS)は、画像レベルのラベルだけでセマンティクスモデルをトレーニングするという約束により、最近注目を集めている。 既存のWSSSメソッドは一般的に、CAMのスパースカバレッジがWSSSのパフォーマンスボトルネックを引き起こすと主張している。 本稿は, 実際のボトルネックはスパースカバレッジではなく, CAM後に適用されたグローバルしきい値決定方式である,という分析的および実証的な証拠を提供する。
  論文  参考訳（メタデータ） (2022-03-30T04:26:14Z)

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。