論文の概要: FR-DETR: Frequency and Recurrent Feature Refinement for Robust Object Detection under Adverse Weather

• arxiv url: http://arxiv.org/abs/2606.30471v1
• Date: Mon, 29 Jun 2026 15:31:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-30 18:07:16.315875
• Title: FR-DETR: Frequency and Recurrent Feature Refinement for Robust Object Detection under Adverse Weather
• Title（参考訳）: FR-DETR: 逆気象下におけるロバスト物体検出のための周波数・繰り返し特徴補正
• Abstract要約: 既存のエンハンサーベースのアプローチは、検出器でエンハンサーをカスケードすることで検出を改善する。 我々は、画像よりも特徴を洗練し、関心領域の強化に焦点を当てた検出器中心のフレームワークFR-DETRを提案する。
• 参考スコア（独自算出の注目度）: 3.6310242206800663
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Object detection under adverse weather remains challenging due to severe visual degradations and domain shifts. Existing enhancer-based approaches attempt to improve detection by cascading an enhancer with a detector, but they introduce redundant feature extraction and incur high computational cost with limited accuracy gains when paired with SOTA detectors. We propose FR-DETR, a detector-centric framework that refines features rather than images, focusing enhancement on regions of interest and leveraging frequency-domain cues. Specifically, we design (I) a Frequency Refinement Module that dynamically separates and reweights low- and high-frequency components to improve foreground-background discrimination, and (II) a Recurrent Focus Refinement Module (RFRM) that iteratively refines features using coarse predictions as guidance. Extensive experiments demonstrate that FR-DETR achieves superior detection accuracy under adverse weather while being significantly more computationally efficient than enhancer-based methods. Our implementation is available at https://github.com/ducnt1210/FR-DETR.
• Abstract（参考訳）: 悪天候下での物体検出は、深刻な視覚的劣化とドメインシフトのために難しいままである。 既存のエンハンサーベースのアプローチでは、エンハンサーを検出器にカスケードすることで検出を改善するが、冗長な特徴抽出を導入し、SOTA検出器とペアリングした場合の精度が制限された高い計算コストを発生させる。 FR-DETRは、画像ではなく特徴を洗練し、関心領域の強化と周波数領域キューの活用に焦点を当てた検出器中心のフレームワークである。 具体的には、(I)低周波成分と高周波成分を動的に分離・再重み付けして前景の識別を改善する周波数リファインメントモジュールを設計し、(II)粗い予測を用いて機能を反復的に洗練するRFRM(Recurrent Focus Refinement Module)をガイダンスとして設計する。 広範囲な実験により、FR-DETRはエンハンサーベースの手法よりも計算効率が優れ、悪天候下での検出精度が優れていることが示された。 私たちの実装はhttps://github.com/ducnt1210/FR-DETRで公開されています。

関連論文リスト

• ASFR-Net: Adversarial Alignment and Spatio-Frequency Refinement Network for Heterogeneous Remote Sensing Image Change Detection [16.766607258562992]
  リモートセンシング画像における異種変化検出のための新しい対向周波数ネットワーク(ASFR-Net)を提案する。 学習者(MIRLearn-er)は、バックボーンをガイドして固有のモダリティ不変の特徴を抽出し、主要なドメインギャップを効果的にブリッジする。 SFEMは、空間領域において識別が難しいセンサ固有のノイズやアーティファクトを特定し、抑制する。 VisNIR-HCDデータセットは、知覚的な視覚的類似性と非線形スペクトル反転から生じるユニークな科学的課題を示す。
  論文  参考訳（メタデータ） (2026-07-08T08:52:59Z)
• Adversarial-Robust Multivariate Time-Series Anomaly Detection via Joint Information Retention [9.525172018746524]
  時系列異常検出(TSAD)は複雑なシステムを監視する上で重要な要素である。 現代のディープラーニングに基づく検出器は、しばしば局所的な入力の破損や構造的なノイズに敏感である。 本稿では, 原理的 min-max 最適化目標を用いて, 検出ロバスト性を向上する共同トレーニングフレームワーク ARTA を提案する。
  論文  参考訳（メタデータ） (2026-03-26T22:53:03Z)
• MDAFNet: Multiscale Differential Edge and Adaptive Frequency Guided Network for Infrared Small Target Detection [5.434562114399152]
  赤外線小目標検出は、多くの軍事・民間用途において重要な役割を担っている。 既存の手法では、ネットワーク層の数が増えるにつれて、ターゲットのエッジピクセルが徐々に劣化していく。 本稿では,Multi-Scale Differential Edge(MSDE)モジュールとDual-Domain Adaptive Feature Enhancement(DAFE)モジュールを統合したMDAFNetを提案する。
  論文  参考訳（メタデータ） (2026-01-23T04:16:16Z)
• Breaking Self-Attention Failure: Rethinking Query Initialization for Infrared Small Target Detection [22.128797773091403]
  赤外線小目標検出(IRSTD)は、低信号対雑音比(SNR)、小さなターゲットサイズ、複雑な乱雑な背景のために大きな課題に直面している。 最近のDETRベースの検出器は、IRSTDに顕著な性能劣化を示す。
  論文  参考訳（メタデータ） (2026-01-06T09:14:01Z)
• 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)
• Wavelet-Guided Dual-Frequency Encoding for Remote Sensing Change Detection [67.84730634802204]
  リモートセンシング画像の変化検出は,自然災害監視,都市拡張追跡,インフラ管理など,さまざまな工学的応用において重要な役割を担っている。 既存のほとんどの手法は空間領域モデリングに依存しており、特徴表現の限られた多様性は微妙な変化領域の検出を妨げる。 本研究では、特にウェーブレット領域における周波数領域の特徴モデリングが周波数成分の微細な違いを増幅し、空間領域において捉えにくいエッジ変化の知覚を高めることを観察する。
  論文  参考訳（メタデータ） (2025-08-07T11:14:16Z)
• Multitask Learning for SAR Ship Detection with Gaussian-Mask Joint Segmentation [20.540873039361102]
  本稿では,オブジェクト検出,スペックル抑制,ターゲットセグメンテーションタスクからなるSAR船舶検出のためのマルチタスク学習フレームワークを提案する。 アスペクト比重み付けによる角度分類損失を導入し、角度周期性と物体比に対処して検出精度を向上させる。 スペックル抑制タスクはデュアルフュージョンアテンション機構を使用してノイズを低減し、浅くノイズを生じさせる特徴を融合させ、ロバスト性を高める。 ターゲットセグメンテーションタスクは、回転したガウスマスクを利用して、乱雑な背景から対象領域を抽出するネットワークを支援し、画素レベルの予測により検出効率を向上させる。
  論文  参考訳（メタデータ） (2024-11-21T05:10:41Z)
• Few-shot NeRF by Adaptive Rendering Loss Regularization [78.50710219013301]
  スパース入力を用いた新しいビュー合成はニューラルラジアンス場(NeRF)に大きな課題をもたらす 近年の研究では、位置レンダリングの周波数規則化は、数発のNeRFに対して有望な結果が得られることが示されている。 我々は,AR-NeRFと呼ばれる数発のNeRFに対して適応レンダリング損失正規化を提案する。
  論文  参考訳（メタデータ） (2024-10-23T13:05:26Z)
• Frequency-aware Feature Fusion for Dense Image Prediction [99.85757278772262]
  本稿では,高密度画像予測のための周波数認識機能融合(FreqFusion)を提案する。 FreqFusionは、Adaptive Low-Pass Filter (ALPF) ジェネレータ、オフセットジェネレータ、Adaptive High-Pass Filter (AHPF) ジェネレータを統合する。 包括的可視化と定量的分析は、FreqFusionが機能一貫性を効果的に改善し、オブジェクト境界を鋭くすることを示している。
  論文  参考訳（メタデータ） (2024-08-23T07:30:34Z)
• Frequency-Aware Deepfake Detection: Improving Generalizability through Frequency Space Learning [81.98675881423131]
  この研究は、目に見えないディープフェイク画像を効果的に識別できるユニバーサルディープフェイク検出器を開発するという課題に対処する。 既存の周波数ベースのパラダイムは、偽造検出のためにGANパイプラインのアップサンプリング中に導入された周波数レベルのアーティファクトに依存している。 本稿では、周波数領域学習を中心にしたFreqNetと呼ばれる新しい周波数認識手法を導入し、ディープフェイク検出器の一般化性を高めることを目的とする。
  論文  参考訳（メタデータ） (2024-03-12T01:28:00Z)
• Hausdorff Distance Matching with Adaptive Query Denoising for Rotated Detection Transformer [4.137346786534721]
  両部マッチングのためのハウスドルフ距離に基づくコストを導入し、予測と基底の真理との相違をより正確に定量化する。 本稿では,2部マッチングを用いた適応型問合せ記述手法を提案し,モデル改良から抽出した雑音付き問合せを選択的に除去する。
  論文  参考訳（メタデータ） (2023-05-12T16:42:54Z)
• Recurrent Glimpse-based Decoder for Detection with Transformer [85.64521612986456]
  本稿では,Recurrent Glimpse-based deoder (REGO)について紹介する。 特に、REGOは多段階のリカレント処理構造を用いて、DETRの注目が徐々に前景オブジェクトに焦点を合わせるのを助ける。 REGOは、異なるDETR検出器の性能を最大7%向上させる。
  論文  参考訳（メタデータ） (2021-12-09T00:29:19Z)

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。