論文の概要: DCA-MoE: Spatially Adaptive Cross-Layer Fusion and Density-Routed Experts for Crowd Counting

• arxiv url: http://arxiv.org/abs/2608.15213v1
• Date: Sat, 15 Aug 2026 12:59:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.231255
• Title: DCA-MoE: Spatially Adaptive Cross-Layer Fusion and Density-Routed Experts for Crowd Counting
• Title（参考訳）: DCA-MoE: 集団カウントのための空間適応型クロス層融合と密度制御の専門家
• Abstract要約: 凍結したDINOv3エンコーダを保持しながら、両方の決定をコンテンツに依存させるフレームワークを提案する。 NWPU-Crowd検証分割では、DINOv3 ViT-L/16に基づく最強のペア構成が31.7 MAEと72.2 RMSEを得る。 クロスデータセットの結果は相変わらず混合しており、いくつかの成分基線は現在、1つの種子から独立に選択されたミニマを報告している。
• 参考スコア（独自算出の注目度）: 3.6896352484416393
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Crowd counting must recover reliable local density under severe variations in perspective, head scale, occlusion, and background clutter. Although modern counting objectives provide strong spatial supervision, many multi-level decoders still use spatially invariant feature fusion and apply one receptive-field pattern to every location. We propose DCA-MoE, a framework that makes both decisions content dependent while retaining a frozen DINOv3 encoder. Spatially Adaptive Layer Fusion (SALF) predicts position-wise weights over four aligned backbone features, and Density-Routed Multi-Receptive-Field Experts (DR-MoE) assigns each location a soft mixture of local, mid-range, and large-context residual experts. An EBC-style head reconstructs block density, while DMCount supervision and an auxiliary routing-balance term train the decoder without updating the backbone. On the NWPU-Crowd validation split, the strongest paired configuration, based on DINOv3 ViT-L/16, obtains 31.7 MAE and 72.2 RMSE; the matched ViT-B/16 full model obtains a paired 32.2/75.9. Cross-dataset results remain mixed, and several component baselines currently report independently selected minima from a single seed. The evidence therefore supports the feasibility of spatially adaptive fusion and routing, while broader paired and multi-seed evaluation remains necessary for causal attribution.
• Abstract（参考訳）: 群集カウントは、視点、頭部規模、閉塞、背景の乱れといった厳しい変化の下で、信頼性の高い局所密度を回復しなければならない。 現代の計数目的は強力な空間監視を提供するが、多くのマルチレベルデコーダは依然として空間不変の特徴融合を使用し、全ての場所に1つの受容場パターンを適用している。 凍結したDINOv3エンコーダを保持しながら、両方の決定をコンテンツに依存したフレームワークであるDCA-MoEを提案する。 空間適応層融合 (SALF) は、4つのアライメントされたバックボーンの特徴に対して位置ワイドの重みを予測し、密度制御多受容場エキスパート (DR-MoE) は各位置を局所的、中距離的、大コンテキストの残留専門家の柔らかい混合物として割り当てる。 EBCスタイルのヘッドはブロック密度を再構築し、DMCountの監督と補助的なルーティングバランス項はバックボーンを更新することなくデコーダを訓練する。 NWPU-Crowd検証分割では、DINOv3 ViT-L/16に基づく最強のペア構成が31.7 MAEと72.2 RMSEを取得し、マッチしたViT-B/16フルモデルは32.2/75.9を得る。 クロスデータセットの結果は相変わらず混合しており、いくつかの成分基線は現在、1つの種子から独立に選択されたミニマを報告している。 これらの証拠は空間適応型融合とルーティングの実現可能性を支持するが、因果帰属にはより広いペアとマルチシードの評価が必要である。

関連論文リスト

• PRI-Net: A Lightweight Multimodal Framework for 3D UAV Localization [18.199437709938177]
  PRI-NetはUAVローカライゼーションのための効率的で軽量なマルチモーダル融合フレームワークである。 疎LiDAR観測を幾何学的に一貫した深度マップに変換する3次元点雲スプラッティング(DPCS)戦略を導入する。 残留注意融合(RAF)モジュールは、モードバイアスを軽減するように設計されている。 マルチモーダル情報ボトルネック(MIB)モジュールはタスク非関連冗長性をフィルタリングすることで特徴をコンパクト化する。
  論文  参考訳（メタデータ） (2026-09-13T12:18:51Z)
• Multimodal Floorplan Encoding: Learning Dense Modality-Invariant Representations [7.719268720723826]
  マルチモーダル・フロアプラン (MMFE) を導入し, 多様な2次元屋内表現を共有潜在格子にマッピングする。 MMFEは、凍結したDINOv3バックボーンとトレーニング可能なDense Prediction Transformer(DPT)ヘッドを結合し、セルごとの情報ノイズコントラスト推定(InfoNCE)の目標を用いて訓練される。 ドメイン外で保持されるデータセットであるStructured3Dでは、MMFEはクロスモーダルな密マッチングを改善し、RANSACと堅牢な類似性を実現し、学習集約と組み合わせて強力な検索を行う。
  論文  参考訳（メタデータ） (2026-09-11T11:21:09Z)
• TriRoute: Unified Learned Routing for Joint Adaptive Attention, Experts, and KV-Cache Allocation [0.0]
  TriRouteは3つの軸で共有される単一の軽量コントローラである。 不均一な緩和により終端から終端までを運転する。 フルアテンションと高精度キャッシュを文初期位置、まれなサブワード、名前付きエンティティに割り当てる。
  論文  参考訳（メタデータ） (2026-07-07T00:12:46Z)
• StereoFactory: A Unified Merging Framework for Robust Stereo Matching [61.973843344605655]
  ステレオマッチングは、大規模なデータセットでトレーニングされた基礎モデルを通じて進歩しているが、このパラダイムはスケーラビリティのボトルネックに悩まされている。 モデルマージは、ソースチェックポイントが利用可能になった後、特別なモデルからの知識を統合することで、スケーラブルなポストホックな代替手段を提供する。 本稿では,適応モデルマージのための粗大な進化的フレームワークであるStereoFactoryを提案する。
  論文  参考訳（メタデータ） (2026-06-16T03:36:59Z)
• Localizing Audio-Visual Deepfakes via Hierarchical Boundary Modeling [50.8215545241128]
  私たちはaを提案します。 境界モデリングネットワーク(HBMNet)には、オーディオ・ビジュアル・フィーチャー(Audio-Visual Feature)という3つのモジュールが含まれている。 粗提案発電機と微細階層確率発生装置 モダリティの観点からは、フレームレベルの監督によって強化されたオーディオ・ビジュアル・エンコーディングと融合を強化する。 実験により、符号化と融合が主に精度を向上し、フレームレベルの監視リコールが可能であることが示された。
  論文  参考訳（メタデータ） (2025-08-04T02:41:09Z)
• LDRFusion: A LiDAR-Dominant multimodal refinement framework for 3D object detection [5.820124526272312]
  既存のLiDAR-Camera融合法は3次元物体検出において大きな成果を上げている。 我々は,LDRFusionを提案する。LDRFusionは,マルチセンサフュージョンのための新しい2段階改良フレームワークである。 当社のフレームワークは,複数のカテゴリと難易度をまたいだパフォーマンスを継続的に達成しています。
  論文  参考訳（メタデータ） (2025-07-22T04:35:52Z)
• Learning Robust Stereo Matching in the Wild with Selective Mixture-of-Experts [29.52183168979229]
  SMoEStereoは,Low-Rank Adaptation (LoRA) とMixture-of-Experts (MoE) モジュールの融合により,VFMをステレオマッチングに適用する新しいフレームワークである。 提案手法は,データセット固有の適応を伴わない複数のベンチマークに対して,最先端のクロスドメインと共同一般化を示す。
  論文  参考訳（メタデータ） (2025-07-07T03:19:04Z)
• On Robust Cross-View Consistency in Self-Supervised Monocular Depth Estimation [56.97699793236174]
  本論文では,2種類の堅牢なクロスビュー整合性について検討する。 深度特徴空間と3次元ボクセル空間の時間的コヒーレンスを自己教師付き単眼深度推定に利用した。 いくつかのアウトドアベンチマークの実験結果から,本手法は最先端技術より優れていることが示された。
  論文  参考訳（メタデータ） (2022-09-19T03:46:13Z)
• Weakly Aligned Feature Fusion for Multimodal Object Detection [52.15436349488198]
  マルチモーダルデータはしばしば位置ずれの問題に悩まされます。つまり、イメージペアは厳密に一致していません。 この問題により、マルチモーダルな特徴を融合させることが難しくなり、畳み込みニューラルネットワーク(CNN)のトレーニングが難解になる。 本稿では、位置ずれ問題に対処するために、アライメント領域CNN(AR-CNN)と呼ばれる汎用マルチモーダル検出器を提案する。
  論文  参考訳（メタデータ） (2022-04-21T02:35:23Z)
• AA-RMVSNet: Adaptive Aggregation Recurrent Multi-view Stereo Network [8.127449025802436]
  本稿では,AA-RMVSNetというアダプティブアグリゲーションを備えた長短期記憶(LSTM)に基づく,新しいマルチビューステレオネットワークを提案する。 まず、コンテキスト認識の畳み込みとマルチスケールアグリゲーションを用いて、画像の特徴を適応的に抽出するビュー内アグリゲーションモジュールを提案する。 本稿では,すべてのビューにおいて,より整合性のあるペアを保存可能な,適応的なピクセルワイドビューアグリゲーションのためのビュー間コストボリュームアグリゲーションモジュールを提案する。
  論文  参考訳（メタデータ） (2021-08-09T06:10:48Z)
• Volumetric Propagation Network: Stereo-LiDAR Fusion for Long-Range Depth Estimation [81.08111209632501]
  長距離深度推定のための幾何認識型ステレオLiDAR融合ネットワークを提案する。 ステレオ画像の対応を統一した3Dボリューム空間で導くためのキューとして、スパースで正確な点群を活用します。 我々のネットワークは,KITTIおよびVirtual-KITTIデータセット上での最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2021-03-24T03:24:46Z)
• Dense Hybrid Recurrent Multi-view Stereo Net with Dynamic Consistency Checking [54.58791377183574]
  1)DRENet(Dense Reception Expanded)モジュールで,原サイズの密集した特徴マップをマルチスケールのコンテキスト情報で抽出し,2)HU-LSTM(Hybrid U-LSTM)を用いて3次元マッチングボリュームを予測深度マップに変換する。 R-MVSNetのメモリ消費は19.4%しかかからないが,本手法は最先端の手法と競合する性能を示し,メモリ消費を劇的に削減する。
  論文  参考訳（メタデータ） (2020-07-21T14:59:59Z)

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。