論文の概要: An Exploratory Study of Frequency-Aware Task Weighting for YOLOv8-Based Unified Driving Perception

• arxiv url: http://arxiv.org/abs/2609.05516v1
• Date: Mon, 31 Aug 2026 14:29:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.079621
• Title: An Exploratory Study of Frequency-Aware Task Weighting for YOLOv8-Based Unified Driving Perception
• Title（参考訳）: YOLOv8に基づく統一運転知覚のための周波数認識タスク重み付けに関する探索的検討
• Abstract要約: 統一された認識により、自律運転システムは単一のネットワーク内で物体検出、乾燥可能な領域分割、車線分割を行うことができる。 既存のタスク重み付け手法では、損失の規模、学習された不確実性、短期的な損失の変化、あるいは勾配統計を用いる。 近年の損失履歴の低周波エネルギー比から損失軌道安定性プロキシを推定する動的タスクバランスルールであるFTWを実装し,検討した。
• 参考スコア（独自算出の注目度）: 0.15293427903448018
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Unified perception enables autonomous driving systems to perform object detection, drivable-area segmentation, and lane segmentation within a single network, improving efficiency and reducing deployment complexity. Jointly optimizing multiple perception tasks remains challenging because tasks exhibit different convergence rates, loss scales, and optimization stability. Existing task-weighting methods use loss magnitude, learned uncertainty, short-term loss changes, or gradient statistics; here, we explore the frequency structure of a recent loss-history window as a complementary signal. We implement and examine Frequency-aware Task Weighting (FTW), a dynamic task-balancing rule that estimates a loss-trajectory stability proxy from the low-frequency energy ratio of recent loss histories. FTW assigns larger weights to tasks whose mean-centered loss trajectories contain a larger proportion of low-frequency power. We document FTW and two baselines under full-network static training and progressive freezing using a unified YOLOv8-based perception framework with three task-specific heads. Experiments on Mapillary Vistas compare FTW with fixed and uncertainty-based weighting under both configurations. Final holdout metrics are reported for the checkpoint with the lowest per-epoch validation loss in each run. Across six single-run configurations, static FTW has the largest derived overall score and lane mIoU, progressive FTW has the largest detection mAP, and static uncertainty weighting has the largest drivable-area mIoU. Without repeated-seed estimates, single-task baselines, or FTW ablations, these rankings are descriptive. The evidence supports the feasibility of loss-frequency-based weighting in this pipeline, but does not establish improvement over the baselines or generalization beyond the reported runs.
• Abstract（参考訳）: 統一された認識により、自律運転システムは単一のネットワーク内でオブジェクト検出、乾燥可能な領域分割、レーン分割を実行でき、効率を改善し、デプロイメントの複雑さを低減することができる。 複数の知覚タスクを共同で最適化することは、タスクが異なる収束率、損失スケール、最適化安定性を示すため、依然として困難である。 既存のタスク重み付け手法では、損失の大きさ、学習された不確実性、短期的損失変化、あるいは勾配統計を用いており、ここでは、最近の損失履歴ウィンドウの周波数構造を相補的な信号として検討する。 近年の損失履歴の低周波エネルギー比から損失軌道安定性プロキシを推定する動的タスクバランスルールであるFTWを実装し,検討した。 FTWは、平均中心の損失軌道が低周波電力の比率が大きいタスクにより大きな重みを割り当てる。 3つのタスク固有の頭を持つYOLOv8ベースの認識フレームワークを用いて、FTWと2つのベースラインをフルネットワーク静的トレーニングとプログレッシブフリーズで文書化する。 Mapillary Vista の実験では、FTW と固定および不確実性に基づく重み付けを比較した。 最終ホールトアウトメトリクスはチェックポイントに対して報告され、各ランにおいてエポック毎のバリデーション損失が最も低い。 6つの単一ラン構成の中で、スタティックFTWは最大の総合スコアとレーンmIoUを持ち、プログレッシブFTWは最大の検出mAPを持ち、スタティック不確定重み付けは最大の乾燥可能なmIoUを持つ。 反復的な評価、単一タスクのベースライン、FTWの短縮がなければ、これらのランキングは説明に富む。 このエビデンスは、このパイプラインにおける損失周波数に基づく重み付けの実現性を支持するが、報告されたランを超えるベースラインや一般化の改善は確立していない。

関連論文リスト

• Adaptive Two-Stage Online Learning for Service-Affecting Failure Detection in Mobile Core Networks [0.0]
  本稿では,モバイルコアネットワークにおけるトラフィックベース障害検出のための2段階オンライン学習フレームワークを提案する。 このフレームワークは、事前評価プロトコルの下で完全にオンラインで動作し、計算オーバーヘッドの少ない連続的な適応を可能にする。
  論文  参考訳（メタデータ） (2026-07-20T21:33:56Z)
• When Freshness Is Not Enough: Distribution-Aware Age of Information for Networked LQR Control [3.688414964949228]
  Age of Information (AoI) は無線更新システムの設計において中心的な指標となっている。 本稿では,ネットワーク制御システムにおいて,平均AoIの最小化が実際最適かどうかを検討する。
  論文  参考訳（メタデータ） (2026-06-03T02:22:46Z)
• Metropolis-Scale Resilient and Trustworthy Traffic Flow Inference Using Multi-Source Data [20.65202203037699]
  Task-Aware Attentive Neural Process (TA-ANP)は、信頼できるグローバルトラフィック状態推論(GTSI)のための統合フレームワークである。 不確実性定量化のために、我々はニューラルプロセスとモンテカルロ・ドロップアウトを組み合わせることで、アレタリックと不確実性の両方を捉える。 TA-ANPは、決定論的および確率論的指標の下で、すべてのサブタスク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） (2026-05-24T11:12:02Z)
• Steering Vision-Language-Action Models as Anti-Exploration: A Test-Time Scaling Approach [78.4812458793128]
  動作チャンクの高忠実度検証に軽量な擬数推定器を適用したテスト時間スケーリングフレームワークである textbfTACO を提案する。 我々の手法は、オフライン強化学習(RL)における古典的な反探索原理に似ており、勾配のないため、計算上の大きな恩恵をもたらす。
  論文  参考訳（メタデータ） (2025-12-02T14:42:54Z)
• Neutralizing Token Aggregation via Information Augmentation for Efficient Test-Time Adaptation [59.1067331268383]
  TTA(Test-Time Adaptation)は、視覚変換器(ViT)を追加のトレーニングデータなしで分散シフトに適応するための有効なソリューションとして登場した。 推論コストを削減するために、プラグイン・アンド・プレイのトークン・アグリゲーション手法はViTに冗長なトークンをマージし、全処理されたトークンを減らす。 我々はこの問題をETTA(Efficient Test-Time Adaptation)として定式化し、推論遅延を低減しつつTTAの適応性を維持する。
  論文  参考訳（メタデータ） (2025-08-05T12:40:55Z)
• Optimal Batch-Size Control for Low-Latency Federated Learning with Device Heterogeneity [30.53961003855146]
  フェデレートラーニング(FL)は、第6世代(6G)ネットワークにおける協調機械学習の一般的なアプローチとして登場した。 FLアルゴリズムの展開は、自律運転、拡張現実、ヘルスケアなど、幅広いIoT(Internet-of-Things)アプリケーションを強化することが期待されている。 本稿では,収束性を確保しつつ,エンドツーエンド(E2E)学習遅延を最小限に抑える,バッチサイズ最適制御のための新しいC$2のフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-21T13:24:38Z)
• ResFlow: Fine-tuning Residual Optical Flow for Event-based High Temporal Resolution Motion Estimation [50.80115710105251]
  イベントカメラは、高時間分解能(HTR)モーション推定に重要な可能性を秘めている。 イベントデータを用いてHTR光流を推定するための残差に基づくパラダイムを提案する。
  論文  参考訳（メタデータ） (2024-12-12T09:35:47Z)
• E2USD: Efficient-yet-effective Unsupervised State Detection for Multivariate Time Series [18.02694168117277]
  本稿では,効率的な非教師付き状態検出を可能にするE2Usdを提案する。 E2UsdはFast Fourier TransformベースのTime SeriesとDecomposed Dual-view Embedding Moduleを利用している。 また,偽陰性の影響を抑えるために,偽陰性キャンセレーションコントラスト学習法を提案する。
  論文  参考訳（メタデータ） (2024-02-21T10:16:57Z)
• StreamYOLO: Real-time Object Detection for Streaming Perception [84.2559631820007]
  将来を予測する能力を備えたモデルを提供し、ストリーミング知覚の結果を大幅に改善する。 本稿では,複数の速度を駆動するシーンについて考察し,VasAP(Velocity-Awared streaming AP)を提案する。 本手法は,Argoverse-HDデータセットの最先端性能を実現し,SAPとVsAPをそれぞれ4.7%,VsAPを8.2%改善する。
  論文  参考訳（メタデータ） (2022-07-21T12:03:02Z)
• SADet: Learning An Efficient and Accurate Pedestrian Detector [68.66857832440897]
  本稿では,一段検出器の検出パイプラインに対する一連の最適化手法を提案する。 効率的な歩行者検出のための単発アンカーベース検出器(SADet)を形成する。 構造的には単純だが、VGA解像度の画像に対して最先端の結果と20ドルFPSのリアルタイム速度を示す。
  論文  参考訳（メタデータ） (2020-07-26T12:32:38Z)
• AQD: Towards Accurate Fully-Quantized Object Detection [94.06347866374927]
  本稿では,浮動小数点演算を除去するために,AQDと呼ばれる高精度な量子化オブジェクト検出ソリューションを提案する。 我々のAQDは、非常に低ビットのスキームの下での完全精度と比較して、同等またはそれ以上の性能を実現しています。
  論文  参考訳（メタデータ） (2020-07-14T09:07:29Z)
• Cascaded Regression Tracking: Towards Online Hard Distractor Discrimination [202.2562153608092]
  本稿では,2段階の逐次回帰トラッカーを提案する。 第1段階では, 容易に同定可能な負の候補を抽出する。 第2段階では、残留するあいまいな硬質試料をダブルチェックするために、離散サンプリングに基づくリッジ回帰を設計する。
  論文  参考訳（メタデータ） (2020-06-18T07:48:01Z)

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。