論文の概要: DRAFE: Domain-Robust Asymmetric Fusion of Heterogeneous Detection Transformers for Cross-City Fine-Grained Traffic Object Detection

• arxiv url: http://arxiv.org/abs/2608.16632v1
• Date: Mon, 17 Aug 2026 14:32:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.747124
• Title: DRAFE: Domain-Robust Asymmetric Fusion of Heterogeneous Detection Transformers for Cross-City Fine-Grained Traffic Object Detection
• Title（参考訳）: DRAFE: クロスシティファイングレード交通物体検出のための不均一検出変圧器のドメイン・ロバスト非対称核融合
• Authors: Divine Yao Agbobli, Geoffery Eyram Agorku, Israel Afriyie, Kwadwo Amankwah-Nkyi, Marvin Osei-Kuffour, Richmond Owusu Duah, Bright Seglah, Kelvin Asamoah Terkper, Kwabena Amoako Adjei,
• Abstract要約: Domain-Robust Asymmetric Fusion Ensemble (DRAFE) DRAFEは、独立に訓練されたLW-DETRとRF-DETR検出器を組み合わせて、都市間交通物体の検出を行う。 AI City Challenge 2026 Track 6では、DRAFEは0.4022 mAPを獲得し、25の参加チームの中で6位、同じベンチマーク条件で評価された予備アンサンブルよりも0.0553 mAP向上している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Deep learning-based object detectors are fundamental to intelligent transportation systems, enabling traffic monitoring, vehicle analytics, and infrastructure management. However, achieving both fine-grained vehicle recognition and robust cross-city domain generalization remains challenging. We present the Domain-Robust Asymmetric Fusion Ensemble (DRAFE), which combines independently trained LW-DETR and RF-DETR detectors for cross-city fine-grained traffic object detection. DRAFE employs a two-stage training strategy that first pretrains complementary detectors on diverse public traffic datasets using pseudo-label expansion and human-in-the-loop annotation refinement, producing a curated corpus of 6,049 images and 203,619 annotations, before challenge-compliant fine-tuning on the Project Hafnia Track 6 dataset. At inference, DRAFE applies anchor-conditioned class-consistent matching, reliability-weighted coordinate fusion, agreement-aware confidence recalibration, and complementary hypothesis recovery. On AI City Challenge 2026 Track 6, DRAFE achieves 0.4022 mAP, ranks sixth among 25 participating teams, and improves by 0.0553 mAP over a preliminary ensemble evaluated under identical benchmark conditions.
• Abstract（参考訳）: ディープラーニングベースのオブジェクト検出器は、交通監視、車両分析、インフラ管理を可能にするインテリジェントな輸送システムの基本である。 しかし、粒度の細かい車両認識と堅牢な都市間領域の一般化の両方を達成することは依然として困難である。 本稿では,LW-DETRとRF-DETRを独立に訓練し,都市間交通物体検出のためのDRAFE(Domain-Robust Asymmetric Fusion Ensemble)を提案する。 DRAFEは、まず擬似ラベル展開とヒューマン・イン・ザ・ループのアノテーションによる様々な公共交通データセットの補完的な検出器を事前訓練し、6,049のイメージと203,619のアノテーションのキュレーションコーパスを生成し、その後Project Hafnia Track 6データセットで挑戦準拠の微調整を行う2段階のトレーニング戦略を採用している。 推論において、DRAFEはアンカー条件付きクラス一貫性マッチング、信頼性重み付け座標融合、合意対応信頼度補正、補完仮説回復を適用している。 AI City Challenge 2026 Track 6では、DRAFEは0.4022 mAPを獲得し、25の参加チームの中で6位、同じベンチマーク条件で評価された予備アンサンブルよりも0.0553 mAP向上している。

関連論文リスト

• SinD 2.0: A Multi-City UAV Dataset with Semantic Risk Annotations for SOTIF-Oriented Safety Validation at Signalized Intersections [25.449235850257367]
  SinD 2.0は、クロスドメインADS安全分析専用の大規模ドローンベースの交差点データセットである。 中国4都市を横断する6つの信号化交差点を網羅し、異なる交差点地形と地域運転特性を捉えている。 交通違反、リスクの高い対話、視覚的遮蔽、狭い実現可能な領域を含む多次元のセマンティックラベルを提供する。
  論文  参考訳（メタデータ） (2026-07-18T19:46:37Z)
• Hierarchically Decoupled Mixture-of-Experts for Robust Traffic Sign Recognition in Complex Driving Scenarios [6.121863091287242]
  CBDES MoE TSRは、交通信号認識のための階層的に分離されたヘテロジニアス混合物(MoE)フレームワークである。 ゲーティングモジュールは、入力画像の意味特性に基づいて、エキスパートプールから最も適したエキスパートモデルを選択的に活性化する。 実験結果から,本手法は検出精度と効率の相違が顕著であることがわかった。
  論文  参考訳（メタデータ） (2026-06-01T07:39:44Z)
• GFSR: Geometric Fidelity and Spatial Refinement for Reliable Lane Detection [23.609874711431733]
  我々はLaneIoU誘導幾何信頼とAdaptive Gated Location Refinement(AGLR)からなるフレームワークを提案する。 LCCは、レーン先行の幾何学的忠実度を明示的に推定するために、LaneIoUをソフト監視として採用している。 AGLRはサンプリングポイント側オフセットを予測し、補正サイズを適応的に調整するゲーティング機構を採用する。
  論文  参考訳（メタデータ） (2026-05-22T07:43:58Z)
• Towards Cross-Platform Generalization: Domain Adaptive 3D Detection with Augmentation and Pseudo-Labeling [58.42010583822351]
  この技術レポートは、RoboSense2025 Challengeにおけるクロスプラットフォームの3Dオブジェクト検出タスクに対する受賞したソリューションを表している。 提案手法は,ポイントベースとボクセルベースの機能を効果的に統合した,効率的な3次元オブジェクト検出フレームワークであるPVRCNN++に基づいている。 我々は,データ拡張と擬似ラベルによる自己学習戦略により,ドメインギャップを狭めることで,クロスプラットフォームの一般化を改善する。
  論文  参考訳（メタデータ） (2026-01-13T03:09:20Z)
• TransBridge: Boost 3D Object Detection by Scene-Level Completion with Transformer Decoder [66.22997415145467]
  本稿では,スパース領域における検出機能を改善する共同補完・検出フレームワークを提案する。 具体的には,トランスブリッジ(TransBridge)を提案する。トランスブリッジ(TransBridge)はトランスフォーマーをベースとした新しいアップサンプリングブロックである。 その結果,本フレームワークは,各手法の平均精度(mAP)が0.7から1.5の範囲で,エンドツーエンドの3Dオブジェクト検出を一貫して改善していることがわかった。
  論文  参考訳（メタデータ） (2025-12-12T00:08:03Z)
• Anomaly Detection in Cooperative Vehicle Perception Systems under Imperfect Communication [4.575903181579272]
  協調認識に基づく異常検出フレームワーク(CPAD)を提案する。 CPADは堅牢なアーキテクチャであり、通信の中断下でも有効である。 実験の結果,本手法はAUCのF1スコアにおける標準異常分類法よりも優れていた。
  論文  参考訳（メタデータ） (2025-01-28T22:41:06Z)
• Spatial-Temporal Generative AI for Traffic Flow Estimation with Sparse Data of Connected Vehicles [48.32593099620544]
  交通流推定(TFE)はインテリジェント交通システムにおいて重要である。 本稿では,スパース時間生成人工知能(GAI)フレームワークを活用した,新規で費用対効果の高いTFEフレームワークを提案する。 このフレームワーク内では、条件エンコーダは初期TFE結果の時空間相関をマイニングする。
  論文  参考訳（メタデータ） (2024-07-10T20:26:04Z)
• DRUformer: Enhancing the driving scene Important object detection with driving relationship self-understanding [50.81809690183755]
  交通事故はしばしば致命傷を負い、2023年まで5000万人以上の死者を出した。 従来の研究は、主に個々の参加者の重要性を評価し、それらを独立した存在として扱うものであった。 本稿では、重要な物体検出タスクを強化するために、運転シーン関連自己理解変換器(DRUformer)を紹介する。
  論文  参考訳（メタデータ） (2023-11-11T07:26:47Z)
• DARTH: Holistic Test-time Adaptation for Multiple Object Tracking [87.72019733473562]
  複数物体追跡(MOT)は、自律運転における知覚システムの基本的構成要素である。 運転システムの安全性の追求にもかかわらず、テスト時間条件における領域シフトに対するMOT適応問題に対する解決策は提案されていない。 我々はMOTの総合的なテスト時間適応フレームワークであるDARTHを紹介する。
  論文  参考訳（メタデータ） (2023-10-03T10:10:42Z)

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。