論文の概要: An active-learning framework for real-time depth perception from monocular vision streams

• arxiv url: http://arxiv.org/abs/2608.04917v1
• Date: Wed, 05 Aug 2026 14:45:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-06 14:48:43.963857
• Title: An active-learning framework for real-time depth perception from monocular vision streams
• Title（参考訳）: 単眼視ストリームからのリアルタイム深度認識のためのアクティブラーニングフレームワーク
• Authors: Xiaorong Zeng, Weiqiang Chen, Peng Shi, Liang Su, Zirui Wang, Xuewu Ji, Shuiwen Shen,
• Abstract要約: オンラインアクティブラーニング機構は、運用中に連続的に適応する機能を備えたコンパクトニューラルネットワークを実現するために導入された。 クローズドループ予測評価学習パラダイムを構築し、ストリーミング視覚入力から高信頼で情報豊富な信号を積極的に選択する。 提案システムは,競争深度推定精度を維持しつつ,約75%の計算コスト削減を実現する。
• 参考スコア（独自算出の注目度）: 24.813023779263645
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Biological visual systems can perceive depth from monocular vision flow, continuously integrating temporal visual cues while maintaining a balance between stability and plasticity in dynamic environments. In contrast, artificial perception models deployed on resource-constrained edge devices are typically trained in a static offline manner and remain frozen after deployment, often suffering severe performance degradation under domain shifts. While large-scale models may encode broad knowledge through massive parameter redundancy, lightweight networks face a static optimization dilemma: forcing compact models to learn universal geometric representations is computationally inefficient and often leads to performance saturation. To resolve this issue, an Online Active Learning (OAL) mechanism is introduced to endow compact neural networks with the capability to adapt continuously during operation. A closed-loop Predict-Evaluate-Correct learning paradigm is established to actively select high-confidence, information-rich signals from streaming visual input. Crucially, Elastic Weight Consolidation (EWC) is employed not merely to prevent catastrophic forgetting, but to enforce Selective Plasticity, preserving parameters that encode globally relevant structural knowledge while allowing local alignment to newly observed environments. Built upon a MobileNetV3-Small backbone, the proposed system achieves approximately a 75% reduction in computational cost while maintaining competitive depth estimation accuracy. Experimental results demonstrate that adaptability is not solely determined by model size, but rather by how effectively parameter plasticity is regulated in dynamic environments.
• Abstract（参考訳）: 生物学的視覚システムは、動的環境における安定性と可塑性のバランスを維持しながら、時間的視覚的手がかりを連続的に統合し、単眼視の流れから深度を知覚することができる。 対照的に、リソース制約されたエッジデバイスにデプロイされた人工的な知覚モデルは、通常、静的なオフラインでトレーニングされ、デプロイ後に凍結し、ドメインシフト時に深刻なパフォーマンス劣化を被る。 大規模モデルは膨大なパラメータ冗長性を通じて幅広い知識を符号化するが、軽量ネットワークは静的な最適化ジレンマに直面している。 この問題を解決するために、OAL(Online Active Learning)メカニズムを導入し、運用中に連続的に適応する機能を備えたコンパクトニューラルネットワークを実現する。 クローズドループ予測評価学習パラダイムを構築し、ストリーミング視覚入力から高信頼で情報豊富な信号を積極的に選択する。 EWC(Elastic Weight Consolidation)は、破滅的な忘れ込みを防ぐだけでなく、グローバルな構造的知識を符号化し、新たに観測された環境に局所的なアライメントを許しながら、選択的プラスティック性(Selective Plasticity)を強制するためにも用いられる。 提案システムは,MobileNetV3-Smallのバックボーン上に構築され,競争深度推定精度を維持しつつ,約75%の計算コスト削減を実現する。 実験により, 適応性はモデルサイズによってのみ決定されるのではなく, 動的環境下でのパラメータの可塑性がいかに効果的に制御されるかによって決定されることがわかった。

関連論文リスト

• Uncertainty-Aware Adaptive Sensor Fusion for Autonomous Navigation [0.0]
  この研究は、視覚慣性オドメトリー(VIO)の自律ナビゲーションにおけるポーズ推定精度を高めるために、Unscented Kalman Filter (UKF)と統合されたハイブリッドディープラーニングアプローチを導入する。 提案モデルでは、慣性計測ユニット(IMU)データから時間的依存を効果的に捉えるために、ViT(Vision Transformer)ネットワークを使用している。 予測不確実性を学習プロセスに明示的に組み込むことにより,ノイズ,不完全,信頼できないセンサ入力下での堅牢かつ正確なナビゲーションを可能にする。
  論文  参考訳（メタデータ） (2026-06-03T20:59:42Z)
• Robust Cross-Domain WiFi Fall Detection via Physics-Driven Attention-Enhanced Transformers [64.35403680946182]
  WiFiチャンネル状態情報(CSI)を利用したデバイスフリーの転倒検出が,高齢者の健康モニタリングのための有望なソリューションとして浮上している。 既存のディープラーニングアプローチでは、目に見えない環境にデプロイされた場合、パフォーマンスが大幅に低下する。 本稿では,新しいCNN-Transformerハイブリッドアーキテクチャを特徴とする,堅牢で汎用的なフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-23T03:28:12Z)
• Compressive sensing inspired self-supervised single-pixel imaging [48.79613794195208]
  SISTA-Netは、単画素イメージングのための圧縮センシングインスパイアされた自己教師方式である。 我々は、適応スパース変換と学習可能なソフトスレッショルド演算子を組み合わせることで、潜伏領域に明示的な物理的間隔を課すために、ディープ非線形ネットワークを利用する。 複数のシミュレーションシナリオの実験では、SISTA-NetはPSNRの2.6dBで最先端の手法より優れていた。
  論文  参考訳（メタデータ） (2026-03-31T13:31:43Z)
• Switchable Activation Networks [25.854474675239842]
  SWAN(Switchable Activation Networks)は、各神経ユニットに決定論的、入力依存のバイナリゲートを装備するフレームワークである。 この動的制御機構は計算を適応的に割り当て、精度を維持しながら冗長性を低減させる。 SWANは、学習活性化制御の課題として効率性を再定義することにより、スパーシティ、プルーニング、適応推論の強みを統一する。
  論文  参考訳（メタデータ） (2026-02-17T08:14:10Z)
• A Simple Baseline for Stable and Plastic Neural Networks [3.2635082758250693]
  コンピュータビジョンにおける継続的な学習は、モデルが以前の知識を忘れずに連続的なタスクストリームに適応することを要求する。 RDBPは2つの相補的なメカニズムを結合する低オーバーヘッドベースラインである。ReLUDownは、ニューロンの休眠を予防しながら特徴感度を維持する軽量なアクティベーション修正であり、破壊的な更新から早期の層を段階的に保護する生物学的にインスパイアされた勾配スケジューリングスキームであるバックプロパゲーションの緩和である。
  論文  参考訳（メタデータ） (2025-07-14T13:18:26Z)
• Task-Oriented Real-time Visual Inference for IoVT Systems: A Co-design Framework of Neural Networks and Edge Deployment [61.20689382879937]
  タスク指向エッジコンピューティングは、データ分析をエッジにシフトすることで、この問題に対処する。 既存の手法は、高いモデル性能と低いリソース消費のバランスをとるのに苦労している。 ニューラルネットワークアーキテクチャを最適化する新しい協調設計フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-10-29T19:02:54Z)
• Learn to Memorize and to Forget: A Continual Learning Perspective of Dynamic SLAM [17.661231232206028]
  暗黙的な神経表現を伴う同時局所化とマッピング(SLAM)が注目されている。 動的環境のための新しいSLAMフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-07-18T09:35:48Z)
• Leveraging Low-Rank and Sparse Recurrent Connectivity for Robust Closed-Loop Control [63.310780486820796]
  繰り返し接続のパラメータ化が閉ループ設定のロバスト性にどのように影響するかを示す。 パラメータが少ないクローズドフォーム連続時間ニューラルネットワーク(CfCs)は、フルランクで完全に接続されたニューラルネットワークよりも優れています。
  論文  参考訳（メタデータ） (2023-10-05T21:44:18Z)

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。