論文の概要: Socialized Detector Learning: Trajectory-Guided and Reciprocal Distillation for Heterogeneous Object Detectors

• arxiv url: http://arxiv.org/abs/2608.25836v1
• Date: Wed, 26 Aug 2026 14:14:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.857704
• Title: Socialized Detector Learning: Trajectory-Guided and Reciprocal Distillation for Heterogeneous Object Detectors
• Title（参考訳）: 社会化検出器学習:不均質物体検出器の軌道誘導・相互蒸留
• Abstract要約: 社会学習において、知識は社会に存在し、学習は交換を通じて社会を総合的に発展させることを目的としている。 不均一なカテゴリー別物体検出のための社会化検出器学習(SDL)を定式化し、軌道誘導・相互蒸留(TGRD)を提案する。 TGRDは、ホールドアウトした特徴アライメント残差からディレクタ間移動困難を推定し、固定スコアテーブルをプリコンプリートし、キャリヤ軌道を優しく構築する。
• 参考スコア（独自算出の注目度）: 12.051667479144166
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Object detection knowledge is fragmented across independently trained, heterogeneous detectors with complementary category supports. In socialized learning, this knowledge resides in a society, and learning aims to evolve the society collectively through exchange. However, aggregation-based socialization does not explicitly plan transfer order, whereas progressive multi-teacher distillation considers order but remains a one-way student enhancement in a shared category space. Building on Socialized Learning, we formulate Socialized Detector Learning (SDL) for heterogeneous, category-specialized object detectors and propose Trajectory-Guided and Reciprocal Distillation (TGRD).TGRD estimates directed operational Inter-Detector Transfer Difficulty (IDTD) from held-out feature-alignment residuals, precomputes a fixed score table, and greedily constructs a carrier trajectory. Along the trajectory, knowledge is progressively consolidated into a union-category carrier and then returned to experts through reciprocal transfer. A conditional proxy-certificate analysis shows that, under stated assumptions, the progressive certificate is no larger than an aggregated-target counterpart. On MS COCO with four heterogeneous experts and two carrier initializations, final carriers outperform epoch-matched simultaneous aggregation controls by 2.6 AP in both settings. Reciprocal detectors attain 20.8--28.4 AP on previously unsupported categories while remaining within 1.3 AP of original expert-specific performance. These results support order-aware progressive consolidation followed by reciprocal transfer as a viable mechanism for detector-society evolution.
• Abstract（参考訳）: オブジェクト検出の知識は、独立に訓練された、補完的なカテゴリをサポートする不均一な検出器で断片化されている。 社会的な学習において、この知識は社会に存在し、学習は交換を通じて社会を総合的に発展させることを目的としている。 しかし, 集約型社会化は移動順序を明示的に計画するものではないが, 先進的なマルチティーチンガー蒸留は順序を考慮しているが, 共有カテゴリー空間における一方通行の学生強化に留まっている。 社会的学習を基盤として,異種カテゴリー別物体検出のためのSDL(Socialized Detector Learning)を定式化し,TGRD(Trjectory-Guided and Reciprocal Distillation)を提案する。 TGRDは、ホールドアウトした特徴調整残差からディレクタ間移動困難(IDTD)を推定し、固定スコアテーブルをプリ計算し、キャリヤ軌道を優しく構築する。 軌道に沿って、知識は徐々にユニオンカテゴリーのキャリアに統合され、相互移動を通じて専門家に返される。 条件付きプロキシ認証分析は、条件付き仮定の下では、プログレッシブ証明書が集約されたターゲットよりも大きくないことを示している。 4つの異種の専門家と2つのキャリアの初期化を持つMS COCOでは、最終キャリアは両方の設定で2.6APでエポック整合同時アグリゲーション制御を上回っている。 相互検出器は、以前のカテゴリーでは20.8--28.4 APであり、元の専門家固有の性能の1.3 AP以内に留まる。 これらの結果は、オーダーアウェアなプログレッシブ・コンソリデーション・コンソリデーションをサポートし、リシパル・トランスファーは検出器-社会進化の実行可能なメカニズムである。

関連論文リスト

• Lightweight SAR Ship Detection via Contrastive Distillation [0.19116784879310023]
  本研究は,SARドメインにおけるトランスフォーマーをベースとしたSAR船の知識蒸留フレームワークを提案する。 このフレームワークは、2段階の1段および変圧器ベースの検出器のための共通領域レベルの蒸留インターフェースを提供するという意味で、アーキテクチャに依存しない。 SSDD と HRSID のベンチマーク実験により,提案手法により2段検出器の大幅な改良が得られた。
  論文  参考訳（メタデータ） (2026-05-27T21:57:28Z)
• Relational Retrieval: Leveraging Known-Novel Interactions for Generalized Category Discovery [1.5609421954756975]
  一般カテゴリー発見(GCD)を検索の観点から検討する。 RPCは、ファインベンチマークとジェネリックベンチマークの両方で最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-05-10T08:46:59Z)
• Group Cognition Learning: Making Everything Better Through Governed Two-Stage Agents Collaboration [13.299987551113809]
  グループ認知学習(グループ認知学習、Group Cognition Learning、GCL)は、モダリティ固有の符号化の後に2段階のプロトコルを適用する、管理された協調パラダイムである。 GCLはモダリティの優位性と結合を緩和し、回帰ベンチマークと分類ベンチマークの両方で最先端の結果を確立する。
  論文  参考訳（メタデータ） (2026-05-01T03:19:34Z)
• GaitKD: A Universal Decoupled Distillation Framework for Efficient Gait Recognition [51.75783918486982]
  歩行認識は、長距離および接触のない識別のための魅力的な生体計測モダリティである。 知識蒸留は、強力な教師から効率的な学生に知識を伝達する自然な方法を提供する。 本稿では,ゲート知識伝達を2つの相補成分に分解する蒸留フレームワークであるGaitKDを提案する。
  論文  参考訳（メタデータ） (2026-04-29T03:24:38Z)
• RetroAgent: From Solving to Evolving via Retrospective Dual Intrinsic Feedback [54.39884046754265]
  RetroAgentは、エージェントが複雑なインタラクティブ環境をマスターできるオンラインRLフレームワークである。 実験の結果,RetroAgentはSOTA(State-of-the-art)の性能を達成できた。
  論文  参考訳（メタデータ） (2026-03-09T16:23:33Z)
• Hybrid Belief Reinforcement Learning for Efficient Coordinated Spatial Exploration [3.0222726254970174]
  純粋なモデルに基づくアプローチは、構造化された不確実性推定を提供するが、適応的なポリシー学習を欠いている。 本稿では,このギャップに対処するためのハイブリッドな信念強化学習フレームワークを提案する。 その結果、累積報酬は10.8%上昇し、ベースラインよりも38%早く収束した。
  論文  参考訳（メタデータ） (2026-03-04T00:00:34Z)
• Search-R2: Enhancing Search-Integrated Reasoning via Actor-Refiner Collaboration [49.9937230730202]
  本稿では,新たなアクター・リファイナ・コラボレーション・フレームワークであるSearch-R2を提案する。 提案手法は,生成過程をアクターに分解し,最初の推論軌道を生成する。 本稿では,検索-R2がモデルスケール全体にわたって強力なRAGとRLベースのベースラインを一貫して上回ることを示す。
  論文  参考訳（メタデータ） (2026-02-03T15:32:09Z)
• DCA: Dividing and Conquering Amnesia in Incremental Object Detection [25.11059547936733]
  本研究は,トランスフォーマーを用いたIODにおける局所化と認識の不均衡を忘れて発見する原因について考察する。 本稿では,トランスフォーマーをベースとしたIODを局所化認識プロセスに再設計するDCA戦略を提案する。 提案手法は,特に長期的段階的なシナリオにおいて,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） (2025-03-19T15:17:14Z)
• Towards Distribution-Agnostic Generalized Category Discovery [51.52673017664908]
  データ不均衡とオープンエンドの分布は、現実の視覚世界の本質的な特性である。 我々は,BaCon(Self-Balanced Co-Advice contrastive framework)を提案する。 BaConは、対照的な学習ブランチと擬似ラベルブランチで構成され、DA-GCDタスクを解決するためのインタラクティブな監視を提供するために協力して動作する。
  論文  参考訳（メタデータ） (2023-10-02T17:39:58Z)
• The Overlooked Classifier in Human-Object Interaction Recognition [82.20671129356037]
  クラス間の意味的相関を分類ヘッドにエンコードし,重みをHOIの言語埋め込みで初期化する。 我々は,LSE-Sign という新しい損失を,長い尾を持つデータセット上でのマルチラベル学習を強化するために提案する。 我々は,物体検出と人間のポーズを明確なマージンで求める最先端技術よりも優れた,検出不要なHOI分類を可能にする。
  論文  参考訳（メタデータ） (2022-03-10T23:35:00Z)
• SEA: Bridging the Gap Between One- and Two-stage Detector Distillation via SEmantic-aware Alignment [76.80165589520385]
  細粒度情報を抽象化する性質から,SEA (SEmantic-Aware Alignment) 蒸留法を命名した。 1段検出器と2段検出器の両方において、挑戦的な物体検出タスクにおいて、最先端の新たな結果が得られる。
  論文  参考訳（メタデータ） (2022-03-02T04:24:05Z)
• Binary Classification from Multiple Unlabeled Datasets via Surrogate Set Classification [94.55805516167369]
  我々は m 個の U 集合を $mge2$ で二進分類する新しい手法を提案する。 我々のキーとなる考え方は、サロゲート集合分類(SSC)と呼ばれる補助的分類タスクを考えることである。
  論文  参考訳（メタデータ） (2021-02-01T07:36:38Z)

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。