論文の概要: Effective Receptive Field Ordering Matters for Infrared Small Target Detection

• arxiv url: http://arxiv.org/abs/2607.23994v1
• Date: Mon, 27 Jul 2026 04:40:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-28 22:34:15.312492
• Title: Effective Receptive Field Ordering Matters for Infrared Small Target Detection
• Title（参考訳）: 赤外線小ターゲット検出における受動場順序付けの有効性
• Abstract要約: 我々は、ERFの組織は、受容的フィールドデザインそのものとは無関係に、アーキテクチャの次元を構成すると論じる。 本稿では,マルチグリッド型Vサイクル戦略により階層型RFFスケジューリングを実現するReceptive Field Ordering Network (RFONet)を提案する。 RFONetは1.16Mパラメータと157 FPSの推論速度しか持たない複数のベンチマークのパフォーマンスを達成している。
• 参考スコア（独自算出の注目度）: 4.164968462221666
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this work, we investigate a previously unexplored architectural dimension for infrared small target detection: the organization of effective receptive fields (ERFs) during feature refinement. Unlike existing approaches that primarily improve individual feature operators, we argue that ERF organization constitutes an architectural dimension independent of receptive field design itself, and formulate deep feature transformation as a progressive residual correction process, from which a theoretical framework for ERF scheduling is established. Specifically, we reveal that ERF refinement is governed by two fundamental properties: scale-frequency correspondence, which aligns different ERF scales with distinct residual frequency characteristics, and nonlinear non-commutativity, which makes different ERF orderings produce fundamentally different refinement trajectories. Together, these properties show that ERF organization, rather than ERF scale alone, governs refinement dynamics. Guided by these principles, we propose Receptive Field Ordering Network (RFONet), which realizes hierarchical ERF scheduling through a multigrid-inspired V-cycle strategy using only standard $3\times3$ convolutions. RFONet achieves state-of-the-art performance on multiple benchmarks with only 1.16M parameters and over 157 FPS inference speed. Beyond empirical performance, our theoretical analysis provides theoretical guarantees for stable residual refinement under perturbations, frequency shifts, and partial occlusions, which are consistently reflected in superior noise robustness and cross-dataset generalization. Finally, our framework reformulates ERF organization as a task-dependent optimization objective, providing a principled foundation for future adaptive receptive field scheduling.
• Abstract（参考訳）: 本研究では,赤外線小目標検出のための従来未探索のアーキテクチャ次元について検討し,特徴改善における有効受容場(ERF)の組織化について検討する。 個々の特徴演算子を主に改善する既存のアプローチとは異なり、ERFの組織は受容的フィールド設計とは無関係なアーキテクチャ次元を構成し、深部特徴変換を漸進的残差補正プロセスとして定式化し、ERFスケジューリングの理論的枠組みを確立する。 具体的には、異なるRFスケールを異なる残周周波数特性と整列するスケール周波数対応と、異なるRFオーダを生成する非線形非可換性という2つの基本的特性により、RFの精細化が制御されていることを明らかにした。 これらの性質は、ERFのみではなく、ERFの組織が微細化のダイナミクスを支配していることを示している。 これらの原理を導いたRFONet(Receptive Field Ordering Network)を提案する。 RFONetは、1.16Mパラメータと157 FPSの推論速度しか持たない複数のベンチマークで最先端のパフォーマンスを達成する。 経験的性能の他に、我々の理論解析は、摂動、周波数シフト、部分閉塞の下での安定な残留微細化の理論的保証を提供し、優れたノイズロバスト性およびクロスデータセットの一般化に一貫して反映される。 最後に,本フレームワークはタスク依存最適化の目的としてERF組織を再構成し,将来の適応型受容場スケジューリングの原則的基盤を提供する。

関連論文リスト

• RF-Agent: A Practical Framework for Building Language Agents for RFIC Design [1.6944059328267054]
  大規模言語モデル(LLM)は電子設計自動化(EDA)の急速な進歩を促している RF-Agentは教科書による知識蒸留によってこのギャップに対処する。 7つの標準RF教科書のサブセクションレベルのコーパスは、第一種RFドメイン推論データセットに変換される。
  論文  参考訳（メタデータ） (2026-07-21T06:53:09Z)
• The Procrustean Bed of Time Series: The Optimization Bias of Point-wise Loss [53.542743390809356]
  本稿では,最適化バイアス(EOB)の期待に関する第一原理解析を提案する。 時間列が決定論的で構造化されるほど、ポイントワイドの損失関数によるバイアスがより厳しくなる。 本稿では,DFTとDWTの両原理を同時に実現する具体的ソリューションを提案する。
  論文  参考訳（メタデータ） (2025-12-21T06:08:22Z)
• Rethinking Infrared Small Target Detection: A Foundation-Driven Efficient Paradigm [17.63632082331749]
  大規模視覚基盤モデル(VFM)は、多様な視覚領域にまたがる強力な一般化を示すが、単一フレーム赤外線小目標(SIRST)検出の可能性は、まだ明らかにされていない。 本稿では,既存のエンコーダデコーダベースの手法にシームレスに適応できるFDEP(Foundation-Driven Efficient Paradigm)を提案する。
  論文  参考訳（メタデータ） (2025-12-05T08:12:35Z)
• ERIS: An Energy-Guided Feature Disentanglement Framework for Out-of-Distribution Time Series Classification [51.07970070817353]
  理想的な時系列分類(TSC)は不変表現をキャプチャできるべきである。 現在の手法は、真に普遍的な特徴を分離するために必要な意味的な方向性を欠いている。 本稿では,シフト・ロバストネス・フレームワークのためのエンドツーエンドのエネルギー規則化情報を提案する。
  論文  参考訳（メタデータ） (2025-08-19T12:13:41Z)
• Unlocking Interpretability for RF Sensing: A Complex-Valued White-Box Transformer [7.557372242798258]
  本稿では,RFセンシングのための最初の数学的解釈可能なディープネットワークアーキテクチャであるRF-CRATEを提案する。 独自のRF信号に対応するために、元の実数値のホワイトボックス変換器を複素領域に拡張する非自明な理論的導出を行う。 RF-CRATEは、完全に設計されたブラックボックスモデルと同等の性能を達成し、完全な数学的解釈性を提供する。
  論文  参考訳（メタデータ） (2025-07-29T13:35:51Z)
• Generalized few-shot transfer learning architecture for modeling the EDFA gain spectrum [10.312656900656016]
  エルビウムドープファイバ増幅器(EDFA)の利得スペクトルの正確なモデリングは光ネットワーク性能に不可欠である。 本研究では,半教師付き自己Normalizing Neural Network(SS-NN)に基づく,数発のトランスファー学習アーキテクチャを提案する。 我々のSS-NNモデルでは、ノイズ増強測定による教師なし事前訓練と、カスタム重み付き損失による教師付き微調整を含む2段階のトレーニング戦略を採用している。
  論文  参考訳（メタデータ） (2025-07-29T12:05:31Z)
• 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)
• OPONeRF: One-Point-One NeRF for Robust Neural Rendering [70.56874833759241]
  そこで我々は,ロバストなシーンレンダリングのためのOne-Point-One NeRF (OPONeRF) フレームワークを提案する。 物体の動き、光の変化、データ汚染といった小さなが予測不可能な摂動は、現実の3Dシーンに広く存在している。 実験の結果,OPONeRFは各種評価指標において最先端のNeRFよりも優れていた。
  論文  参考訳（メタデータ） (2024-09-30T07:49:30Z)
• ASR: Attention-alike Structural Re-parameterization [53.019657810468026]
  本稿では,アテンション機構の有効性を享受しながら,与えられたネットワークに対してSRPを実現するための,シンプルなアテンション型構造的再パラメータ化(ASR)を提案する。 本稿では,統計的観点から広範囲にわたる実験を行い,Stripe Observationという興味深い現象を発見し,チャネル注意値が訓練中に一定のベクトルに素早く接近することを明らかにする。
  論文  参考訳（メタデータ） (2023-04-13T08:52:34Z)
• Target-Embedding Autoencoders for Supervised Representation Learning [111.07204912245841]
  本稿では,対象空間が高次元な純粋教師付き環境における一般化の枠組みを解析する。 我々は、教師付き予測のための目標埋め込みオートエンコーダ(TEA)の一般的なフレームワークのモチベーションと形式化を行い、特徴とターゲットの予測の両方から予測可能なように最適化された中間潜在表現を学習する。
  論文  参考訳（メタデータ） (2020-01-23T02:37:10Z)

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。