論文の概要: Confidence-feedback-weighted graph matching network: online-offline laser-induced damage site matching under complex interference
- arxiv url: http://arxiv.org/abs/2606.29255v1
- Date: Sun, 28 Jun 2026 07:53:16 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.859513
- Title: Confidence-feedback-weighted graph matching network: online-offline laser-induced damage site matching under complex interference
- Title（参考訳）: 信頼-フィードバック-重み付きグラフマッチングネットワーク:複雑な干渉下でのオンラインオフラインレーザー誘起損傷サイトマッチング
- Abstract要約: 本稿では,損傷部位のセントロイド座標のみを入力として必要とする信頼フィードバック重み付きグラフマッチングネットワークを提案する。
一致したスコアの各ラウンドからノードマッチング可能性の信頼性を推定し、それを信頼性ウェイトとしてフィードバックし、その後のエッジ機能アグリゲーションを誘導する。
複素Sceneデータセット実験の結果,提案手法は96.36$%の一致したF1スコアを,堅牢で効率的な性能で達成できることがわかった。
- 参考スコア（独自算出の注目度）: 5.583476292836951
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Online inspection images of final optics in high-power laser facilities contain pseudo-damage sites that closely resemble true damage sites. Determining the authenticity of online-detected sites is therefore difficult and requires accurate matching to offline ground-truth sites. However, this matching remains highly challenging due to limited match-discriminative features, local geometric distortions, and numerous distractor sites. Existing matching models mainly suppress distractors implicitly through loss-function supervision. We propose a confidence-feedback-weighted graph matching network that requires only damage-site centroid coordinates as input. It estimates node matchability confidence from each round of matching scores and feeds it back as a reliability weight to guide subsequent edge-feature aggregation, thereby suppressing distractor propagation and enhancing cross-graph discriminability. Within this framework, a geometric consistency constraint calibrates spurious high-confidence matchability estimates, while a hard-example mining loss improves discrimination between structurally similar sites. Experiments on our Complex-Scene dataset show that the proposed method achieves a matching F1-score of 96.36$\%$ with robust and efficient performance.
- Abstract（参考訳）: 高出力レーザー施設における最終光学点検画像には、真の損傷部位とよく似た擬似損傷部位が含まれている。
したがって、オンライン検出されたサイトの真正性を決定することは困難であり、オフラインの地絡サイトと正確なマッチングが必要である。
しかし、このマッチングは、限定的なマッチング識別特性、局所的な幾何学的歪み、および多くの散逸点のため、非常に難しいままである。
既存のマッチングモデルは、主にロスファンクションの監督を通じて、イントラクタを暗黙的に抑制する。
本稿では,損傷部位のセントロイド座標のみを入力として必要とする信頼フィードバック重み付きグラフマッチングネットワークを提案する。
一致したスコアの各ラウンドからノードマッチング可能性の信頼度を推定し、それを信頼性ウェイトとしてフィードバックし、その後のエッジフィーチャーアグリゲーションを誘導し、トラクタの伝搬を抑制し、クロスグラフの識別性を高める。
この枠組み内では、幾何的整合性制約が急激な高信頼一致性推定を校正する一方、ハードサンプルの鉱業損失は構造的に類似した部位間の識別を改善する。
複素Sceneデータセットの実験により、提案手法は、堅牢で効率的な性能で96.36$\%の一致したF1スコアを達成することを示した。
関連論文リスト
- Beyond Decision Boundaries: Relational Geometry Attacks on Contrastive Embedding Manifolds [16.306226464987592]
我々は,多様体レベルの関係汚職として,対照的なシステムに対する攻撃を再構成する幾何学的対応型敵攻撃フレームワークを導入する。
提案したフレームワークは、正の対を分割することで、埋め込み多様体内の類似性構造を体系的に歪めている。
提案手法は, 正負類似性構造を完全に逆転しながら, 95.4%から38.6%まで精度を低下させることを示した。
論文 参考訳（メタデータ） (2026-08-10T21:16:03Z) - Beyond Sparse Supervision: Diffusion-Guided Learning for Few-Shot Graph Fraud Detection [4.923071905608023]
本稿では,拡散誘導機能強化,コントラスト表現学習,マルチホップスペクトルアテンションを組み合わせた統合フレームワークであるADC-GNNを提案する。
ADC-GNNを主に3つの公開ベンチマークで評価し、プライベートケーススタディとして約6万レコードのプロプライエタリな実世界のテレコムトランザクションデータセットを報告した。
論文 参考訳（メタデータ） (2026-06-26T14:34:28Z) - Segment Anything with Robust Uncertainty-Accuracy Correlation [38.06380944319879]
本稿では,ロバスト不確かさ-精度相関(RUAC)を用いたSegment Anythingを提案する。
RUACは軽量な不確実性ヘッドを追加し、テクスチャと幾何学を共同で乱すような、協調的なスタイル決定攻撃でそれを訓練する。
23個のゼロショット領域にまたがって、RUACはセグメンテーションの品質を改善し、より強い不確実性と精度の相関を持つより忠実な不確実性をもたらす。
論文 参考訳（メタデータ） (2026-05-11T14:04:02Z) - Beyond Nodes vs. Edges: A Multi-View Fusion Framework for Provenance-Based Intrusion Detection [6.343815622517112]
PROVfusionは、証明に基づく侵入検知のための多視点異常融合フレームワークである。
軽量な融合スキームを通じて異種異常信号を融合し、投票ベースの統合プロセスを通じて最終的な異常決定を決定する。
広く使用されている9つのベンチマークエンティティデータセットの実験では、PROVfusionは単一ノードとエッジ中心のベースラインよりも高い検出精度と偽陽性率を実現する。
論文 参考訳（メタデータ） (2026-04-16T06:40:50Z) - Improving Local Feature Matching by Entropy-inspired Scale Adaptability and Flow-endowed Local Consistency [31.865580585693735]
本稿では,非常に有効だが無視可能なオーバーヘッドを導入したスケールアウェア・マッチング・モジュールを提案する。
詳細な段階では、既存の手法は最終一致の局所的な一貫性を無視していると指摘する。
本研究では, 流れ場の局所的な整合性を促進するため, 流れの微細化問題としてファインステージを再構成し, 新たな勾配損失を導入する。
論文 参考訳（メタデータ） (2026-04-08T06:12:46Z) - Attack-Aware Deepfake Detection under Counter-Forensic Manipulations [0.30586855806896035]
本研究は, 現実的な展開条件下でのロバスト性, 良好な校正可能性, 透明なエビデンスのために設計された, 攻撃対応のディープフェイクおよび画像解析検出器を提案する。
この方法は、2ストリームアーキテクチャにおけるレッドチームトレーニングとランダム化されたテストタイムディフェンスを組み合わせる。
その結果,アタック間のほぼ完全なランク付け,キャリブレーション誤差の低減,禁忌リスクの最小化,リグライン下でのタンパーの制御が示された。
論文 参考訳（メタデータ） (2025-12-26T04:05:52Z) - Registration is a Powerful Rotation-Invariance Learner for 3D Anomaly Detection [64.0168648353038]
ポイントクラウドデータにおける3次元異常検出は、高い信頼性で構造欠陥を特定することを目的として、産業品質管理に不可欠である。
現在のメモリバンクベースの手法は、しばしば一貫性のない特徴変換と限定的な識別能力に悩まされる。
本稿では、ポイントクラウド登録とメモリベース異常検出の目的を統合した、登録による回転不変の特徴抽出フレームワークを提案する。
論文 参考訳（メタデータ） (2025-10-19T14:56:38Z) - A Label-Free Heterophily-Guided Approach for Unsupervised Graph Fraud Detection [60.09453163562244]
本稿では,非教師付きGFDのための非教師付きグラフ不正検出手法(HUGE)を提案する。
推定モジュールでは、GFD の臨界グラフ特性をキャプチャする HALO と呼ばれる新しいラベルフリーなヘテロフィリー計量を設計する。
アライメントに基づく不正検出モジュールにおいて、ランキング損失と非対称アライメント損失を有する合同GNNアーキテクチャを開発する。
論文 参考訳（メタデータ） (2025-02-18T22:07:36Z) - Noisy Correspondence Learning with Self-Reinforcing Errors Mitigation [63.180725016463974]
クロスモーダル検索は、実際は精力的な、十分に整合した大規模データセットに依存している。
我々は、新しい雑音対応学習フレームワーク、textbfSelf-textbfReinforcing textbfErrors textbfMitigation(SREM)を導入する。
論文 参考訳（メタデータ） (2023-12-27T09:03:43Z) - PAIF: Perception-Aware Infrared-Visible Image Fusion for Attack-Tolerant
Semantic Segmentation [50.556961575275345]
対向シーンにおけるセグメンテーションの堅牢性を促進するための認識認識型融合フレームワークを提案する。
我々は,先進の競争相手に比べて15.3% mIOUの利得で,ロバスト性を大幅に向上させることを示す。
論文 参考訳（メタデータ） (2023-08-08T01:55:44Z) - Uncertainty-Aware Deep Calibrated Salient Object Detection [74.58153220370527]
既存のディープニューラルネットワークに基づくサルエントオブジェクト検出(SOD)手法は主に高いネットワーク精度の追求に重点を置いている。
これらの手法は、信頼不均衡問題として知られるネットワーク精度と予測信頼の間のギャップを見落としている。
我々は,不確実性を考慮した深部SODネットワークを導入し,深部SODネットワークの過信を防止するための2つの戦略を提案する。
論文 参考訳（メタデータ） (2020-12-10T23:28:36Z) - Bridging Mode Connectivity in Loss Landscapes and Adversarial Robustness [97.67477497115163]
我々は、モード接続を用いて、ディープニューラルネットワークの対角的堅牢性を研究する。
実験では、異なるネットワークアーキテクチャやデータセットに適用される様々な種類の敵攻撃について取り上げる。
以上の結果から,モード接続は,敵の強靭性を評価・改善するための総合的なツールであり,実用的な手段であることが示唆された。
論文 参考訳（メタデータ） (2020-04-30T19:12:50Z)
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。