論文の概要: CoDS: Robust Collaborative Perception via Expert-driven Detection and BEV Segmentation

• arxiv url: http://arxiv.org/abs/2608.14085v1
• Date: Fri, 14 Aug 2026 08:47:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-17 20:14:29.330864
• Title: CoDS: Robust Collaborative Perception via Expert-driven Detection and BEV Segmentation
• Title（参考訳）: CoDS: エキスパート駆動検出とBEVセグメンテーションによるロバストな協調認識
• Abstract要約: 協調的知覚は、マルチエージェント情報交換による単一視点の制限を突破する。 しかし、ポーズエラーや通信遅延などのマルチソースノイズは融合特性の品質を低下させる。 エキスパート駆動型検出とベブ(CoDS)を用いたロバストな協調認識フレームワークを提案する。
• 参考スコア（独自算出の注目度）: 13.629082376442405
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Collaborative perception breaks through single-view limitations via multi-agent information exchange. However, multi-source noise such as pose errors and communication delays degrades fusion feature quality, constraining perception performance. Joint training of detection and BEV segmentation provides a natural remedy, where segmented road regions help constrain target distributions and detection bounding boxes help recover ambiguous segmentation boundaries. To this end, we propose a robust Collaborative perception framework with expert-driven Detection and bev Segmentation (CoDS). To address spatial inconsistency in fusion quality, we first introduce the Collaborative Reliability Map (CoRM) to explicitly quantify feature quality distribution. Based on CoRM, we design the Semantic Mixture-of-Experts (S-MoE) module to extract differentiated features for inconsistent feature demands. Finally, to further mitigate feature noise degradation, the Bidirectional Task Complementary Interaction (BTCI) refines task-aware features through bidirectional injection. Extensive experiments on OPV2V and V2V4Real datasets show that our CoDS surpasses existing baselines on both tasks and maintains stable robustness under multi-source noise. Code: https://github.com/JinlongW128/CoDS and https://openi.pcl.ac.cn/OpenAIDriving/CoDS.
• Abstract（参考訳）: 協調的知覚は、マルチエージェント情報交換による単一視点の制限を突破する。 しかし、ポーズエラーや通信遅延などのマルチソースノイズは、融合特性の品質を低下させ、知覚性能を制約する。 検出とBEVセグメンテーションの併用トレーニングは、セグメント化された道路領域が目標分布を制限し、検出境界ボックスが曖昧なセグメンテーション境界を回復するのに役立つ自然な対策を提供する。 この目的のために,エキスパート駆動型検出とベブセグメンテーション(CoDS)を用いたロバストな協調認識フレームワークを提案する。 融合品質の空間的不整合に対処するために,まず,特徴量分布を明示的に定量化するための協調信頼性マップ(CoRM)を導入する。 CoRMをベースとしたSemantic Mixture-of-Experts (S-MoE) モジュールを設計し,不整合な特徴要求に対する特徴を抽出する。 最後に、機能劣化を緩和するために、双方向タスク補完インタラクション(BTCI)は、双方向注入によるタスク認識機能を洗練する。 OPV2VとV2V4Realデータセットの大規模な実験により、CoDSは両方のタスクの既存のベースラインを超え、マルチソースノイズ下で安定したロバスト性を維持します。 コード:https://github.com/JinlongW128/CoDSとhttps://openi.pcl.ac.cn/OpenAIDriving/CoDS。

関連論文リスト

• CauseCollab: Causal Unified and Modality-Agnostic Network for Heterogeneous Collaborative Perception [16.26142526400162]
  協調的知覚は、マルチエージェント情報共有による環境理解を促進する。 最近のプロトコルベースの2段階法では、不均一な特徴を共有プロトコル空間にマッピングすることでこの問題を緩和している。 本稿では因果統合・モダリティに依存しないネットワークであるCouchCollabを提案する。
  論文  参考訳（メタデータ） (2026-09-03T13:19:50Z)
• 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)
• SDCoNet: Saliency-Driven Multi-Task Collaborative Network for Remote Sensing Object Detection [7.016133328153285]
  リモートセンシング画像では、複雑な背景、弱い物体信号、小さな物体スケールが特に正確な検出を困難にしている。 一般的な戦略は、検出前に単一画像の超解像(SR)を統合することである。 SRと検出を暗黙的特徴共有によって結合するSDCoNet(Saliency-Driven Multi-task Collaborative Network)を提案する。
  論文  参考訳（メタデータ） (2026-01-18T17:36:48Z)
• CoDS: Enhancing Collaborative Perception in Heterogeneous Scenarios via Domain Separation [25.442016145030383]
  協調的知覚は、自律運転における個人の知覚を改善することが証明されている。 ほとんどのメソッドは、すべてのエージェントに対して同一のエンコーダを仮定するが、これらのモデルが現実世界のアプリケーションにデプロイされる際には正しくは保たない。 既存の手法は通常、隣接する特徴とエゴ車の特徴とを一致させるが、これはドメインギャップからのノイズに弱い。
  論文  参考訳（メタデータ） (2025-10-15T11:29:14Z)
• INSTINCT: Instance-Level Interaction Architecture for Query-Based Collaborative Perception [6.018757656052237]
  協調認識システムは、マルチエージェントの知覚データを統合し、精度と安全性を向上させることで、単一車両の制限を克服する。 これまでの研究は、クエリベースのインスタンスレベルのインタラクションが帯域幅の要求と手作業による事前処理を減らすことを証明してきたが、協調認識におけるLiDARによる実装は未開発のままである。 InSTINCTは,(1)高品質なインスタンス特徴選択のための品質認識型フィルタリング機構,2)協調関連インスタンスと協調関連インスタンスを分離するデュアルブランチ検出ルーティングスキーム,3)クロスエージェントローカルインスタンスフュージョンモジュール,の3つのコアコンポーネントを特徴とする新しい協調認識フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-28T07:16:32Z)
• Object Segmentation by Mining Cross-Modal Semantics [68.88086621181628]
  マルチモーダル特徴の融合と復号を導くために,クロスモーダル・セマンティックスをマイニングする手法を提案する。 具体的には,(1)全周減衰核融合(AF),(2)粗大デコーダ(CFD),(3)多層自己超越からなる新しいネットワークXMSNetを提案する。
  論文  参考訳（メタデータ） (2023-05-17T14:30:11Z)
• Discriminative Co-Saliency and Background Mining Transformer for Co-Salient Object Detection [111.04994415248736]
  我々は差別的共存とバックグラウンドマイニング・トランスフォーマー・フレームワーク(DMT)を提案する。 我々は2種類の事前定義されたトークンを用いて、コントラスト誘起画素間相関モジュールとコサリエンストークン間相関モジュールを用いて、コサリエンシと背景情報をマイニングする。 3つのベンチマークデータセットの実験結果から,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-04-30T15:56:47Z)
• Semi-supervised Domain Adaptive Structure Learning [72.01544419893628]
  半教師付きドメイン適応 (SSDA) は,1) アノテーションの低いデータに過度に適合する手法と,2) ドメイン間の分散シフトの両方を克服しなければならない課題である。 SSLとDAの協調を正規化するための適応型構造学習手法を提案する。
  論文  参考訳（メタデータ） (2021-12-12T06:11:16Z)
• Specificity-preserving RGB-D Saliency Detection [103.3722116992476]
  本稿では,RGB-Dサリエンシ検出のための特異性保存ネットワーク(SP-Net)を提案する。 2つのモダリティ特化ネットワークと共有学習ネットワークを採用し、個別および共有唾液マップを生成する。 6つのベンチマークデータセットの実験では、SP-Netは他の最先端の手法よりも優れています。
  論文  参考訳（メタデータ） (2021-08-18T14:14:22Z)
• Batch Coherence-Driven Network for Part-aware Person Re-Identification [79.33809815035127]
  既存のパートアウェアの人物再識別方法は、通常、ボディ部分の検出と部分レベルの特徴抽出という2つのステップを使用する。 トレーニングフェーズとテストフェーズの両方で身体の一部をバイパスし,セマンティックに整合した機能を実現するNetworkBCDNetを提案する。
  論文  参考訳（メタデータ） (2020-09-21T09:04:13Z)

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。