論文の概要: Uncertainty-Aware Multimodal Anti-UAV Detection via Evidential Fusion and Conflict-Discounted Belief Aggregation

• arxiv url: http://arxiv.org/abs/2608.29235v1
• Date: Sat, 29 Aug 2026 12:48:22 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.884024
• Title: Uncertainty-Aware Multimodal Anti-UAV Detection via Evidential Fusion and Conflict-Discounted Belief Aggregation
• Title（参考訳）: 証拠融合と衝突談合による不確実性を考慮したマルチモーダルアンチUAV検出
• Abstract要約: マルチモーダル対UAVシステムは、予測の不確実性をモデル化することなく、RGBと熱ストリームを決定論的に融合する。 本稿では,EDTCをマルチモーダルRGB熱認識へ拡張する。 反UAVベンチマークでは、マルチモーダル融合はいずれのストリームよりも一貫して優れている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Anti-UAV perception systems must remain reliable when sensor streams degrade under occlusion, fast motion, or modality-specific failure. Existing multimodal anti-UAV systems fuse RGB and thermal streams deterministically, without modeling predictive uncertainty, and cannot express doubt when streams disagree. Evidential Deep Learning (EDL) produces calibrated per-class uncertainty in a single forward pass. EDTC already exploits this for thermal-only perception, yet cross-modal evidential fusion remains unaddressed. This paper extends EDTC to multimodal RGB-Thermal perception via Discounted Belief Fusion (DBF), which converts inter-modal conflict into uncertainty mass before aggregating stream opinions. Bounding boxes are resolved by selecting the lower-uncertainty modality. On the Anti-UAV benchmark, multimodal fusion consistently outperforms either single stream (test Acc 0.670 vs. 0.604 IR, 0.598 RGB) at real-time speed (at least 38 FPS). However, DBF is empirically indistinguishable from undiscounted averaging: near-zero inter-modal conflict on this presence-dominated benchmark leaves the discounting step inert. The fused uncertainty is well-calibrated (ECE 0.057) yet expectedly a weaker localization failure detector than spatial variance (AUROC 0.626 vs. 0.739). The null result is structural: the benchmark's near-universal presence and vacuous miss-encoding jointly suppress inter-modal conflict, a diagnosis that delimits where conflict-aware fusion provides measurable benefit.
• Abstract（参考訳）: 対UAV認識システムは、センサーストリームが閉塞、高速動作、モダリティ固有の故障の下で劣化した場合、信頼性を保たなければならない。 既存のマルチモーダル対UAVシステムは、予測の不確実性をモデル化することなく、RGBと熱ストリームを確定的に融合し、ストリームが一致しない場合には疑念を表現できない。 Evidential Deep Learning (EDL) は、1つのフォワードパスでクラスごとの不確実性を校正する。 EDTCは熱のみの認識のために既にこれを利用しているが、クロスモーダルな明らかな融合は未適応のままである。 本稿では,EDTC をマルチモーダル RGB-サーマル認識へ拡張し,ストリームの意見を集約する前に,モーダル間衝突を不確実質量に変換する。 境界ボックスは、低不確実性モードを選択することにより解決される。 反UAVのベンチマークでは、マルチモーダル核融合はシングルストリーム(Acc 0.670 vs. 0.604 IR, 0.598 RGB)をリアルタイム(少なくとも38 FPS)で一貫して上回っている。 しかし、DBF は、平均値のない平均値と経験的に区別できない: この存在が支配するベンチマークにおけるほぼゼロのモーダル間競合は、割引ステップの慣性を残している。 融合不確実性はよく校正されている(ECE 0.057)が、空間的分散(AUROC 0.626 vs. 0.739)よりも弱い位置化障害検出器として期待されている。 ベンチマークのほぼ普遍的な存在と空虚なミスエンコーディングは、モダル間競合を共同的に抑制します。

関連論文リスト

• CUSP: Decomposable Collective Uncertainty for Multi-Agent Multimodal Reasoning [6.428392127849263]
  本稿では,複数のVLM応答を共有意味応答空間にマッピングする訓練不要不確実性フレームワークCUSPを提案する。 本稿では,集合的不確実性,プール化意見の分散,ジェンセン・シャノン発散(JSD)の2つの相補的システムレベル信号について報告する。 静的なマルチVLMアンサンブルでは、集合的不確実性は小モデル状態において最強の信号である。
  論文  参考訳（メタデータ） (2026-09-04T20:27:47Z)
• Evidential Deep Learning for Multi-Modal Anti-UAV Detection [0.0]
  本研究では,明らかな深層学習ヘッド,デンプスター・シェーファーのエビデンス融合,不確実性駆動型時間センサゲーティングが抗UAV検出を改善するか否かを評価する。
  論文  参考訳（メタデータ） (2026-09-01T18:09:46Z)
• Robust Dempster-Shafer Evidence Fusion with Chaos-Conflict Measurement and Historical-Experience Weighting [8.400248815107739]
  デンプスター・シェーファー理論の下での融合は、2つの永続的な課題に直面している。 既存の尺度は、独立して証拠間不一致と証拠内不確実性を評価する。 本稿では,両制約に対処する統一的エビデンス推論フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-13T11:35:34Z)
• Modeling Normal Is All You Need: Joint Latent Clustering for Anomaly Detection in Multimodal Cyber-Physical Systems [47.027290803102666]
  通常の行動は、多くの不均衡で、曲がりくねった、細い範囲の運営体制の結合である。 我々は正規法則を、共同学習された潜在表現と明示的なガウス混合モードクラスタリングでモデル化する。 ポイント調整のない生のポイントワイドメトリクス、自明な検出困難分割、頻度整合F1、列車正規化のみのキャリブレーションを意図的に評価する。
  論文  参考訳（メタデータ） (2026-07-07T10:10:00Z)
• Interpretable Uncertainty Routing Separating Emotion Ambiguity from Distribution Shift in Facial Expression Recognition [0.0]
  Uncertainty-Aware Routing (UAR)は、あいまいさとシフトの分離を利用する推論時ルーティングメカニズムである。 提案した二重バリデーションプロトコルは,アレータリックがスピアマン相関とアノテータの不一致を回復することを明らかにする。 UARは、一致したアウト・オブ・ディストリビューション拒絶率において、単一不確実性ルーティングよりも約1.8倍曖昧な分散面を保持する。
  論文  参考訳（メタデータ） (2026-06-21T23:54:44Z)
• LER-YOLO: Reliability-Aware Expert Routing for Misaligned RGB-Infrared UAV Detection [6.816296803605649]
  LER-YOLOは、RGB赤外線UAV検出のための、信頼性に配慮したスパース・オブ・エキスパート・フレームワークである。 YOLOv5s- familyプロトコルの下での公開MBUベンチマークの実験では、LER-YOLOは3つの独立種子に対して89.7 +/-0.2% AP50を達成し、89.9%の最高結果が得られた。
  論文  参考訳（メタデータ） (2026-05-20T03:33:13Z)
• To Fuse or to Drop? Dual-Path Learning for Resolving Modality Conflicts in Multimodal Emotion Recognition [87.22988227382329]
  マルチモーダル感情認識(MER)は、テキスト、音声、視覚を組み合わせることで恩恵を受けるが、標準的な融合は、モダリティが相反する場合に失敗することが多い。 我々は,いつフューズするか,いつモダリティを落とすのかを学習する統合フレームワークであるDual-Path Conflict Resolution (DCR)を提案する。
  論文  参考訳（メタデータ） (2026-05-06T13:11:33Z)
• Equivariant Filter for Radar-Inertial Odometry [45.85581416235741]
  拡張カルマンフィルタ(EKF)に基づくレーダ慣性オドメトリー(RIO)は、レーダと慣性測定ユニット(IMU)の間の正確な外在的キャリブレーションに依存している。 このレターは、ナビゲーション状態とIMUバイアスを幾何学的に結合するリー群対称性に基づいて、RIOの同変フィルタ(EqF)を提案する。
  論文  参考訳（メタデータ） (2026-04-24T21:47:06Z)
• Towards Trustworthy Depression Estimation via Disentangled Evidential Learning [50.22167852149165]
  EviDepはうつ病の重症度を共同で定量化する明らかな学習フレームワークである。 EviDepは、堅牢な証拠合成を保証するために厳密な情報整合性を強制する。 最先端の予測精度と優れた不確実性校正を実現し、信頼できる臨床スクリーニングのための堅牢なフェールセーフメカニズムを提供する。
  論文  参考訳（メタデータ） (2026-04-17T13:27:11Z)
• Alignment-Aware and Reliability-Gated Multimodal Fusion for Unmanned Aerial Vehicle Detection Across Heterogeneous Thermal-Visual Sensors [6.686898063543218]
  本研究は,Registration-Aware Guided Image Fusion (RGIF)とReliability-Gated Modality-Attention Fusion (RGMAF)の2つの融合戦略を紹介する。 RGIFは拡張相関係数(ECC)ベースのアフィン登録とガイドフィルターを組み合わせて熱塩分濃度を維持しながら構造的詳細を増強する。 RGMAFは、アフィンと光フローの登録と、熱コントラストと視覚的シャープネスを適応的にバランスさせる信頼性の高い注意機構を統合する。
  論文  参考訳（メタデータ） (2026-03-09T10:39:26Z)
• Adaptive Dual Uncertainty Optimization: Boosting Monocular 3D Object Detection under Test-Time Shifts [80.32933059529135]
  TTA(Test-Time Adaptation)メソッドが出現し、推論中にターゲット分布に適応する。 我々は、堅牢なM3ODの両不確実性を共同で最小化するために設計された、最初のTTAフレームワークであるDual Uncertainity Optimization (DUO)を提案する。 並列に,明瞭な意味的手がかりを持つ領域における幾何学的コヒーレンスを保存する意味認識型正規場制約を設計する。
  論文  参考訳（メタデータ） (2025-08-28T07:09:21Z)
• Uncertainty-Encoded Multi-Modal Fusion for Robust Object Detection in Autonomous Driving [8.991012799672713]
  本稿では,単一モードの不確かさをLiDAR-camera融合に明示的に組み込む不確実性符号化混合(UMoE)を提案する。 UMoEの最大性能は10.67%、3.17%、そして5.40%である。
  論文  参考訳（メタデータ） (2023-07-30T04:00:41Z)
• Uncertainty-aware Unsupervised Multi-Object Tracking [33.53331700312752]
  教師なしマルチオブジェクトトラッカーは、信頼できる機能埋め込みの学習に劣る。 最近の自己監督技術は採用されているが、時間的関係を捉えられなかった。 本稿では、不確実性問題は避けられないが、不確実性自体を活用して学習された一貫性を向上させることができると論じる。
  論文  参考訳（メタデータ） (2023-07-28T09:03:06Z)
• Multimodal Object Detection via Bayesian Fusion [59.31437166291557]
  我々は、RGBとサーマルカメラでマルチモーダルオブジェクト検出を研究します。後者は照明不良下ではるかに強力なオブジェクトシグネチャを提供することができます。 我々の重要な貢献は、異なるモードのボックス検出を融合する非学習遅延融合法である。 このアプローチは、整列(KAIST)と非整列(FLIR)のマルチモーダルセンサーデータを含むベンチマークに適用されます。
  論文  参考訳（メタデータ） (2021-04-07T04:03:20Z)

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。