論文の概要: HeteroPROPMT: A Real-time and Privacy-Preserving Heterogeneous Collaborative Perception Framework
- arxiv url: http://arxiv.org/abs/2607.26283v1
- Date: Tue, 28 Jul 2026 21:24:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-30 21:06:25.484099
- Title: HeteroPROPMT: A Real-time and Privacy-Preserving Heterogeneous Collaborative Perception Framework
- Title（参考訳）: HeteroPROPMT: リアルタイム・プライバシ保護による異種協調知覚フレームワーク
- Abstract要約: コラボレーティブ・パーセプション(CP)は、センサーデータ、中間機能、検出結果を共有することで、自律システムの環境に対する認識を改善する。
既存のアプローチは通常、融合と検出コンポーネントをリトレーニングするか、モダリティ固有の機能インタプリタを導入する。
異種協調認識のためのリアルタイム・プライバシ保護フレームワークHeteroPROMPTを提案する。
- 参考スコア（独自算出の注目度）: 4.904389322133549
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Collaborative Perception (CP) improves autonomous systems' awareness of their surroundings by sharing sensor data, intermediate features, and detection results. In real-world deployments, however, collaborating vehicles often use heterogeneous sensors, perception models, datasets, and training domains, creating feature-space shifts that degrade downstream fusion and detection. Existing approaches typically retrain fusion and detection components or introduce modality-specific feature interpreters. These methods scale poorly to newly joining agents and often require access to proprietary metadata, raising privacy concerns. We propose HeteroPROMPT, a real-time and privacy-preserving framework for heterogeneous collaborative perception. HeteroPROMPT rapidly aligns each heterogeneous agent's features with an ego-centric unified feature space through modular prompts and lightweight learning-based tuning, while keeping agent encoders and the collaborative fusion and detection stacks frozen. Its visual prompt-based training and inference modulate Bird's Eye View (BEV) features across channels and spatial locations with low computational overhead. For metadata-free deployment, an autoencoder learns a compact unified representation and extracts modality cues from shared features, enabling real-time modality classification and routing to the appropriate HeteroPROMPT modules without exposing proprietary agent information. Experiments on the OPV2V-H and V2XSet datasets show that HeteroPROMPT improves Average Precision over state-of-the-art heterogeneous CP methods while using orders of magnitude fewer trainable parameters. This offers a scalable and practical CP solution. The proposed modality classifier also predicts the joining agent's modality from compact features with greater than 99.99 percent accuracy during deployment. Code will be available at https://github.com/arminmaleki007/HeteroPROMPT.
- Abstract（参考訳）: コラボレーティブ・パーセプション(CP)は、センサーデータ、中間機能、検出結果を共有することで、自律システムの環境に対する認識を改善する。
しかし、実際の展開では、コラボレーティング車両は異質なセンサー、知覚モデル、データセット、トレーニングドメインを使用し、下流の核融合と検出を低下させる特徴空間シフトを生成する。
既存のアプローチは通常、融合と検出コンポーネントを再訓練するか、モダリティ固有の機能インタプリタを導入する。
これらの手法は新しく加わったエージェントには不十分で、しばしばプロプライエタリなメタデータへのアクセスを必要とし、プライバシー上の懸念を提起する。
異種協調認識のためのリアルタイム・プライバシ保護フレームワークHeteroPROMPTを提案する。
HeteroPROMPTは、エージェントエンコーダと協調融合と検出スタックの凍結を維持しながら、モジュールプロンプトと軽量学習ベースのチューニングを通じて、各異種エージェントの機能をエゴ中心の統一機能空間に迅速に整列する。
その視覚的なプロンプトベースのトレーニングと推論は、計算オーバーヘッドの少ないチャネルや空間的な場所をまたいだBird's Eye View(BEV)の機能を変調する。
メタデータのないデプロイのために、オートエンコーダは、コンパクトな統一表現を学習し、共有特徴からモダリティキューを抽出し、プロプライエタリなエージェント情報を公開せずに、リアルタイムなモダリティ分類と適切な HeteroPROMPTモジュールへのルーティングを可能にする。
OPV2V-HとV2XSetデータセットの実験により、HeteroPROMPTは訓練可能なパラメータの桁数を桁違いに減らしながら、最先端の異種CP法よりも平均精度を向上することが示された。
これはスケーラブルで実用的なCPソリューションを提供する。
提案したモダリティ分類器は、展開中に99.99パーセント以上の精度でコンパクトな特徴から結合剤のモダリティを予測する。
コードはhttps://github.com/arminmaleki007/HeteroPROMPTで入手できる。
関連論文リスト
- INTACT: Ego-Guided Typed Sparse Evidence Retrieval for Heterogeneous Collaborative Perception [50.64511548643398]
異種知覚のためのエゴ誘導型スパースエビデンス検索フレームワークを提案する。
IntACTは、エゴの車両に、疑わしい物やエビデンスに欠ける地域を表す型付きエビデンスクエリを発行する。
シミュレーションおよび実世界の異種知覚ベンチマークの実験は、INTACTの有効性とデプロイ性を検証する。
論文 参考訳（メタデータ） (2026-06-03T04:34:53Z) - FedRio: Personalized Federated Social Bot Detection via Cooperative Reinforced Contrastive Adversarial Distillation [52.56850762009136]
ソーシャルボットの検出は、オンラインソーシャルプラットフォームの安定性とセキュリティに不可欠である。
現在の最先端のボット検出モデルは、主に独立して開発されている。
クロスプラットフォームおよびクロスモデル検出フレームワークとしてFedRioを提案する。
論文 参考訳（メタデータ） (2026-04-12T15:13:41Z) - GT-Space: Enhancing Heterogeneous Collaborative Perception with Ground Truth Feature Space [30.468574984070894]
自律運転において、マルチエージェント協調知覚は、エージェントが知覚データを共有できるようにすることで、知覚能力を高める。
既存のアプローチでは、ペアワイズ機能アライメントのためにエンコーダをリトレーニングしたり、インタプリタモジュールを設計する必要がしばしばある。
異種エージェントのための柔軟でスケーラブルな協調認識フレームワークである Em GT-Space を提案する。
論文 参考訳（メタデータ） (2026-03-13T14:39:40Z) - Faster-HEAL: An Efficient and Privacy-Preserving Collaborative Perception Framework for Heterogeneous Autonomous Vehicles [4.904389322133549]
協調的認識は、自動運転車の状況認識を改善するための有望なパラダイムである。
我々は、低ランクな視覚的プロンプトを微調整し、不均一な特徴を統一的な特徴空間と整合させるフレームワークであるFaster-HEALを提案する。
このアプローチは、トレーニング可能なパラメータを94%削減し、大きなモデルを再トレーニングすることなく、新しいエージェントへの効率的な適応を可能にする。
論文 参考訳（メタデータ） (2026-03-07T19:18:25Z) - Pragmatic Heterogeneous Collaborative Perception via Generative Communication Mechanism [14.40993352402385]
異種マルチエージェントシステム間のシームレスな認識を容易にする新しいジェネレーティブコミュニケーション機構(GenComm)を提案する。
OPV2V-H、DAIR-V2X、V2X-Realデータセットで実施された実験は、GenCommが既存の最先端手法より優れていることを示している。
論文 参考訳（メタデータ） (2025-10-22T14:15:20Z) - Perfectly-Private Analog Secure Aggregation in Federated Learning [51.61616734974475]
連合学習では、複数のパーティがモデルをローカルにトレーニングし、パラメータを中央サーバと共有する。
本稿では,有限場ではなくトーラスを用いた新しいセキュアパラメータアグリゲーション法を提案する。
論文 参考訳（メタデータ） (2025-09-10T15:22:40Z) - STAMP: Scalable Task And Model-agnostic Collaborative Perception [24.890993164334766]
STAMPは、異種エージェントのためのタスクおよびモデルに依存しない協調認識パイプラインである。
計算オーバーヘッドを最小限に抑え、スケーラビリティを高め、モデルのセキュリティを維持する。
第一種フレームワークとしてSTAMPは,スケーラブルでセキュアなモビリティシステムの研究を,レベル5の自律性に向けて進めることを目指している。
論文 参考訳（メタデータ） (2025-01-24T16:27:28Z) - Self-Localized Collaborative Perception [49.86110931859302]
我々は,新しい自己局在型協調認識システムであるMathttCoBEVGlue$を提案する。
$mathttCoBEVGlue$は、エージェント間の相対的なポーズを提供する新しい空間アライメントモジュールである。
$mathttCoBEVGlue$は任意のローカライゼーションノイズとアタックの下で最先端の検出性能を達成する。
論文 参考訳（メタデータ） (2024-06-18T15:26:54Z) - Robust Collaborative Perception without External Localization and Clock Devices [52.32342059286222]
複数のエージェントをまたいだ一貫した空間的時間的調整は、協調的な知覚の基礎である。
従来の手法は、ローカライゼーションとクロック信号を提供するために外部デバイスに依存している。
本稿では,様々なエージェントの知覚データに内在する幾何学的パターンを認識して整列する手法を提案する。
論文 参考訳（メタデータ） (2024-05-05T15:20:36Z) - Real-Time Motion Prediction via Heterogeneous Polyline Transformer with
Relative Pose Encoding [121.08841110022607]
既存のエージェント中心の手法は、公開ベンチマークで顕著な性能を示した。
K-nearest neighbor attention with relative pose encoding (KNARPE) は、トランスフォーマーがペアワイズ相対表現を使用できる新しいアテンション機構である。
エージェント間でコンテキストを共有し、変化しないコンテキストを再利用することで、私たちのアプローチはシーン中心のメソッドと同じくらい効率的になり、最先端のエージェント中心のメソッドと同等に実行されます。
論文 参考訳（メタデータ） (2023-10-19T17:59:01Z)
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。