論文の概要: HyTBE: Hyperbolic Target-Background Expert Model for Cross-Domain Infrared Small Target Detection

• arxiv url: http://arxiv.org/abs/2608.05771v2
• Date: Fri, 07 Aug 2026 08:07:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 14:11:31.110333
• Title: HyTBE: Hyperbolic Target-Background Expert Model for Cross-Domain Infrared Small Target Detection
• Title（参考訳）: HyTBE:クロスドメイン赤外線小ターゲット検出のためのハイパーボリックターゲット背景エキスパートモデル
• Abstract要約: 赤外線小目標検出(IRSTD)は,領域整合性評価の下で大幅に進歩している。 ソース・ドメイン関係パターンを拡張するハイパーボリック・ターゲット・バックグラウンド・エキスパート・モデルであるHyTBEを提案する。 NUAA-SIRST、NUDT-SIRST、IRSTD-1Kの実験により、HyTBEは競争ベースラインよりも強力なクロスドメイン一般化を実現することが示された。
• 参考スコア（独自算出の注目度）: 3.6870604311531885
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Infrared small target detection (IRSTD) has achieved substantial progress under domain-consistent evaluation, yet detector performance often degrades markedly when generalizing to unseen infrared domains. Existing methods primarily improve detection by enhancing target responses and suppressing background interference. However, when trained on only a limited set of source domains, their learned decision rules are inevitably established from a restricted range of source-domain target-background relation patterns. We formulate this cross-domain failure as target-background relation shift: unseen domains may exhibit relation patterns that are not observed during training, thereby weakening the discriminative capability learned from the source domains. To address this problem, we propose HyTBE, a Hyperbolic Target-Background Expert model that expands source-domain relation patterns and adaptively adjusts visual representations using explicit relation cues. The Target-Background Relation Intervention selectively perturbs either targets or backgrounds, broadening the observable relation patterns during training while maintaining valid supervision. Subsequently, the Hyperbolic Relation Modeling maps multi-scale visual cues into a Poincaré ball and characterizes the target-background relation of each feature token according to its relative distances to the target and background anchors. The Hyperbolic-guided MoE Adapter further uses these hyperbolic relation representations to calibrate multi-scale visual features and aggregate expert-specific feature corrections for different relation patterns. Leave-one-domain-out experiments on NUAA-SIRST, NUDT-SIRST, and IRSTD-1K demonstrate that HyTBE achieves stronger cross-domain generalization than competitive baselines.
• Abstract（参考訳）: 赤外線小目標検出(IRSTD)は、領域整合性評価においてかなりの進歩を遂げているが、赤外線領域に一般化した場合、検出性能は著しく低下することが多い。 既存の手法は、主にターゲット応答を高め、バックグラウンド干渉を抑制することによって検出を改善する。 しかし、限られたソースドメインのみをトレーニングする場合、学習された決定ルールは、ソースドメインとターゲット/バックグラウンドの関係パターンの制限範囲から必然的に確立される。 未確認領域は、トレーニング中に観察されない関係パターンを示し、それによって、ソースドメインから学んだ識別能力が低下する可能性がある。 この問題に対処するため,HyTBEを提案する。HyTBEはハイパーボリック・ターゲット・バックグラウンド・エキスパート・モデルで,ソース・ドメインの関係パターンを拡張し,明示的な関係キューを用いて視覚的表現を適応的に調整する。 ターゲット-背景関係介入は、標的または背景のいずれかを選択的に摂動させ、効果的な監督を維持しながら、トレーニング中に観測可能な関係パターンを広げる。 その後、ハイパーボリックリレーショナル・モデリングは、多スケールの視覚的キューをポアンカレ球にマッピングし、ターゲットとバックグラウンドアンカーとの相対距離に応じて、各特徴トークンのターゲット/バックグラウンド関係を特徴付ける。 Hyperbolic-guided MoE Adapterはさらに、これらの双曲的関係表現を使用して、多スケールの視覚的特徴の校正と、異なる関係パターンに対する専門家固有の特徴の集約を行う。 NUAA-SIRST, NUDT-SIRST, IRSTD-1Kのドメインアウト実験は、HyTBEが競合ベースラインよりも強いドメイン間一般化を達成することを示した。

関連論文リスト

• LCPNet: Latent Consistent Proximal Unfolding Network for Infrared Small Target Detection [50.3892176822492]
  赤外線小目標検出(IRSTD)は、複雑な赤外背景から長距離小目標を特定することを目的としている。 深層学習法は、識別的画像-マスクマッピングを学習することでIRSTDを改善した。 深層展開法は、モデル駆動イテレーションをニューラルネットワークに埋め込むことによって、この問題に部分的に対処する。 これらの制約に対処するために,Latent Consistent Proximal Unfolding Network (LCPNet)を提案する。
  論文  参考訳（メタデータ） (2026-07-06T02:15:09Z)
• Active Adversarial Perturbation-driven Associative Memory Retrieval for RGB-Event Visual Object Tracking [58.338848435042536]
  RGB-Eventトラッキングは、イベントセンサからRGB外観テクスチャと高密度時間運動キューを融合することにより、ローカライズを改善する。 現実世界のシーンは、従来のマルチモーダル融合を妨げる多様な構造的な信号劣化に悩まされる。 本稿では,RGBイベント追跡に適した階層的摂動・検索フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-24T23:34:06Z)
• DisDop: Distillation with Domain Priors for Open-Vocabulary Aerial Object Detection [75.11656789221072]
  リモートセンシング基礎モデルからマルチレベルドメインを抽出する統合フレームワークであるDisDopを提案する。 DisDopは、オープンボキャブラリ空中検出ベンチマーク上で、最先端のパフォーマンスを新たに実現している。
  論文  参考訳（メタデータ） (2026-05-23T16:01:20Z)
• Rethinking Representations for Cross-Domain Infrared Small Target Detection: A Generalizable Perspective from the Frequency Domain [26.03122882760887]
  クロスドメインIRSTDのための空間-スペクトル協調認識ネットワークを提案する。 我々は、一般化可能な目標認識を導出するための位相修正モジュール(PRM)を開発した。 我々は、位置情報を保持するために、スキップ接続に注意機構(OAM)を用いる。
  論文  参考訳（メタデータ） (2026-04-02T11:54:28Z)
• Remedying Target-Domain Astigmatism for Cross-Domain Few-Shot Object Detection [19.113214017897118]
  クロスドメイン小ショットオブジェクト検出(CD-FSOD)は、ソースドメインからの事前訓練された検出器を限定アノテーションでターゲットドメインに適応することを目的としている。 モデルでは、ターゲットドメインに不正確で非集中的な注意を示す。 我々のバイオインスパイアされたアプローチは、アスティグマティックな注意を焦点を絞ったパターンに変え、ターゲットドメインへの適応を大幅に改善します。
  論文  参考訳（メタデータ） (2026-03-19T06:55:32Z)
• SPIRIT: Adapting Vision Foundation Models for Unified Single- and Multi-Frame Infrared Small Target Detection [18.86422994684341]
  赤外線小目標検出(IRSTD)は監視と早期警戒に不可欠であり、単一フレーム分析とビデオモード追跡の両方に展開する。 本稿では,軽量な物理インフォームドプラグインによってVFMをIRSTDに適応させる,統一的でVFM互換のフレームワークであるSPIRITを提案する。
  論文  参考訳（メタデータ） (2026-02-02T09:15:29Z)
• VFM-Guided Semi-Supervised Detection Transformer under Source-Free Constraints for Remote Sensing Object Detection [9.029534000674388]
  VG-DETRは、Vision Foundation Model(VFM)を「フリーランチ」方法でトレーニングパイプラインに統合する。 擬似ラベルの信頼性を評価するために,VFMのセマンティックな事前情報を利用した擬似ラベルマイニング手法を提案する。 さらに,デュアルレベルのVFM誘導アライメント手法を提案し,インスタンスレベルと画像レベルでのVFM埋め込みと検出器特性を一致させる。
  論文  参考訳（メタデータ） (2025-08-15T02:35:56Z)
• Cross-Domain Few-Shot Object Detection via Enhanced Open-Set Object Detector [72.05791402494727]
  本稿では,CD-FSODを用いたクロスドメイン小ショット検出法について検討する。 最小限のラベル付き例で、新しいドメインのための正確なオブジェクト検出器を開発することを目的としている。
  論文  参考訳（メタデータ） (2024-02-05T15:25:32Z)
• Relation Matters: Foreground-aware Graph-based Relational Reasoning for Domain Adaptive Object Detection [81.07378219410182]
  我々は、FGRR(Fearground-aware Graph-based Reasoning)というドメインDのための新しい汎用フレームワークを提案する。 FGRRはグラフ構造を検出パイプラインに組み込んで、ドメイン内およびドメイン間フォアグラウンドオブジェクト関係を明示的にモデル化する。 実験の結果、提案したFGRRは4つのDomainDベンチマークの最先端よりも優れていることが示された。
  論文  参考訳（メタデータ） (2022-06-06T05:12:48Z)
• Ranking Distance Calibration for Cross-Domain Few-Shot Learning [91.22458739205766]
  数ショット学習の最近の進歩は、より現実的なクロスドメイン設定を促進する。 ドメインギャップとソースとターゲットデータセット間のラベル空間の相違により、共有される知識は極めて限られている。 我々は,タスク内の相互k-アネレスト近傍を発見することで,目標距離行列の校正を行う。
  論文  参考訳（メタデータ） (2021-12-01T03:36:58Z)

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。