論文の概要: Mutual Modality Trust with Lightweight Reconstruction Regularization for Fine-grained Tire Pattern Recognition

• arxiv url: http://arxiv.org/abs/2607.23979v1
• Date: Mon, 27 Jul 2026 04:04:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.304048
• Title: Mutual Modality Trust with Lightweight Reconstruction Regularization for Fine-grained Tire Pattern Recognition
• Title（参考訳）: 微細タイヤパターン認識のための軽量再構成規則化による相互モダリティ信頼
• Authors: Jianning Yang, Jie Fang, Xinda Ma, Zirui Song, Dianwei Wang, Nan Wang,
• Abstract要約: 本稿では,2分岐独立推論と機能融合を併用した軽量なタイヤパターン認識法を提案する。 提案アルゴリズムの優位性と有効性を検証するために,2つの公開タイヤデータセットを用いた実験を行った。
• 参考スコア（独自算出の注目度）: 9.652860143912156
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual tire recognition serves as a core supporting technique for vehicle safety monitoring, autonomous driving perception and automated automotive maintenance. Existing fine-grained tire recognition techniques suffer from three prominent limitations. They tend to depend on only one visual source, lack the capacity to jointly model spatial and frequency cues for minute tread texture extraction, and suffer severe overfitting given limited annotated tire imagery. This paper proposes a lightweight fine-grained tire pattern recognition method incorporating dual-branch independent inference and enhanced feature fusion to boost recognition performance. The framework employs two task-specialized branches dedicated to tire surface and tread indentation, respectively, to extract modality-specific discriminative features. Each branch conducts independent prediction, while cross-branch feature fusion exploits Mutual Modality Trust (M$^2$T) to realize complementary feature enhancement across two modalities. Besides, a frequency-domain hierarchical guidance module is devised, which leverages bandpass filters to decompose feature maps into high- and low-frequency components and enables fine-grained cross-layer feature modulation. Furthermore, a Lightweight Reconstruction Regularization (LR$^2$) is introduced to retain abundant intrinsic information within feature embeddings, substantially improving feature stability and recognition robustness under limited labeled training data. In addition, we establish a surface-indentation multi-source dataset namely MTire299 for fine-grained tire tread recognition, which covers 299 categories with a total of 14795 paired image samples. Extensive experiments conducted on two public tire datasets validate the superiority and efficacy of the proposed algorithm.
• Abstract（参考訳）: 視覚タイヤ認識は、車両の安全監視、自律運転認識、自動自動保守のための中核的な支援技術として機能する。 既存のタイヤ認識技術は、3つの顕著な限界に悩まされている。 それらは1つの視覚的ソースにのみ依存する傾向があり、微小トレッドテクスチャ抽出のための空間的および周波数的キューを共同でモデル化する能力が欠如し、限られたアノテートタイヤ画像によって重度のオーバーフィットを被る傾向にある。 本稿では,二分岐独立推論と機能融合を併用した軽量タイヤパターン認識手法を提案し,認識性能を向上する。 このフレームワークは、タイヤ表面とトレッドインデンテーション専用の2つのタスク特化ブランチを使用して、モダリティ特異的識別特徴を抽出する。 各分岐は独立予測を行い、クロスブランチ特徴融合は相互モダリティ信頼(M$^2$T)を利用して2つのモードにわたる相補的特徴拡張を実現する。 さらに、帯域通過フィルタを利用して特徴マップを高周波数成分と低周波数成分に分解し、きめ細かいクロス層特徴変調を可能にする周波数領域階層誘導モジュールを考案した。 さらに,特徴埋め込みにおける固有情報を豊富に保持するために,軽量再構成正規化(LR$^2$)を導入し,限られたラベル付きトレーニングデータによる特徴安定性と認識堅牢性を大幅に向上させた。 さらに,細粒度タイヤトレッド認識のための表面インデンテーション型マルチソースデータセットMTire299を構築し,合計14795対の画像サンプルで299のカテゴリをカバーした。 提案アルゴリズムの優越性と有効性を検証するために,2つの公開タイヤデータセットを用いて大規模な実験を行った。

関連論文リスト

• Hierarchically Decoupled Mixture-of-Experts for Robust Traffic Sign Recognition in Complex Driving Scenarios [6.121863091287242]
  CBDES MoE TSRは、交通信号認識のための階層的に分離されたヘテロジニアス混合物(MoE)フレームワークである。 ゲーティングモジュールは、入力画像の意味特性に基づいて、エキスパートプールから最も適したエキスパートモデルを選択的に活性化する。 実験結果から,本手法は検出精度と効率の相違が顕著であることがわかった。
  論文  参考訳（メタデータ） (2026-06-01T07:39:44Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• Decompose to Understand, Fuse to Detect: Frequency-Decoupled Anomaly Detection for Encrypted Network Traffic [38.99819352589072]
  この研究は、広範に広まるフル周波数特性と、スペクトルミスマッチと呼ばれる関連する制限の同定の先駆者である」。 FreeUpは、暗号化トラフィック分析のために明示的に設計された、新しい周波数分離フレームワークである。
  論文  参考訳（メタデータ） (2026-05-03T13:44:41Z)
• Image Classification via Random Dilated Convolution with Multi-Branch Feature Extraction and Context Excitation [3.9240527145303123]
  RDCNetはResNet-34上に構築された新しいアーキテクチャで、これらの制限に対処するために3つのシナジスティックなイノベーションを統合する。 RDCNetは、最先端の分類精度を一貫して達成し、それぞれ0.02%、1.12%、0.18%、4.73%のマージンで2番目に良い競合手法を上回っている。
  論文  参考訳（メタデータ） (2026-04-28T03:49:35Z)
• Complementarity-Supervised Spectral-Band Routing for Multimodal Emotion Recognition [60.20529806857076]
  マルチモーダル感情認識は、テキスト、ビデオ、音声などの手がかりを融合させ、個人の感情状態を理解する。 従来の手法では、機械的に独立な単調なパフォーマンスに依存することと、感情タスクで要求されるきめ細かい表現と相反する粗粒の融合という2つの主な制限に直面していた。 我々は,マルチスケールバンド分解とエキスパートコラボレーションを通じて,微細な相補的特徴をモデル化するために,Atsukoという名前のComplementarity-Supervised Multi-Band Expert Networkを提案する。
  論文  参考訳（メタデータ） (2026-03-07T03:58:48Z)
• Lane-Wise Highway Anomaly Detection [8.086502588472783]
  本稿では,車線道路交通異常検出のためのスケーラブルかつ解釈可能なフレームワークを提案する。 従来のセンサ依存の手法とは異なり、我々の手法はAIを利用した視覚モデルを用いて車線固有の特徴を抽出する。 我々のフレームワークは、精度、リコール、F1スコアにおいて最先端の手法より優れています。
  論文  参考訳（メタデータ） (2025-05-05T12:32:23Z)
• FUSE: Label-Free Image-Event Joint Monocular Depth Estimation via Frequency-Decoupled Alignment and Degradation-Robust Fusion [92.4205087439928]
  画像強調共同深度推定法は、頑健な知覚に相補的なモダリティを利用するが、一般化可能性の課題に直面している。 自己監督型転送(PST)と周波数デカップリング型フュージョンモジュール(FreDF)を提案する。 PSTは、画像基盤モデルとの遅延空間アライメントによるクロスモーダルな知識伝達を確立し、データ不足を効果的に軽減する。 FreDFは、低周波構造成分から高周波エッジ特性を明示的に分離し、モード比周波数ミスマッチを解消する。 この組み合わせのアプローチにより、FUSEはターゲットデータセットに対する軽量デコーダ適応のみを必要とするユニバーサルなイメージイベントを構築することができる。
  論文  参考訳（メタデータ） (2025-03-25T15:04:53Z)
• Modeling Continuous Motion for 3D Point Cloud Object Tracking [54.48716096286417]
  本稿では,各トラックレットを連続ストリームとみなす新しいアプローチを提案する。 各タイムスタンプでは、現在のフレームだけがネットワークに送られ、メモリバンクに格納された複数フレームの履歴機能と相互作用する。 頑健な追跡のためのマルチフレーム機能の利用性を高めるために,コントラッシブシーケンス強化戦略を提案する。
  論文  参考訳（メタデータ） (2023-03-14T02:58:27Z)

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。