論文の概要: Reading Decoder Trajectories: Training-Free Counterfactual Query-Trajectory Reliability for Small-Object Detection

• arxiv url: http://arxiv.org/abs/2609.06581v1
• Date: Sun, 06 Sep 2026 12:59:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.267926
• Title: Reading Decoder Trajectories: Training-Free Counterfactual Query-Trajectory Reliability for Small-Object Detection
• Title（参考訳）: 読解デコーダ軌道:小物体検出のための非実効的クエリ-トラジェクトリ信頼性
• Abstract要約: 限られたピクセルが情報損失を引き起こし、事前訓練された検出器で符号化されたスケール知識を抑制するため、小さな物体検出は依然として困難である。 本稿では,CQTR(Counterfactual Query-Trajectory Reliability)を提案する。
• 参考スコア（独自算出の注目度）: 1.1903082871386892
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Small-object detection remains challenging because limited pixels cause information loss and suppress the scale knowledge encoded in pretrained detectors. Existing approaches mainly improve representations through multiscale training, architecture redesign, or parameter adaptation, implicitly assuming that frozen models lack the required capability. We challenge this assumption and hypothesize that small-object knowledge already exists in frozen detectors but remains underactivated and unstable during query evolution. To test this hypothesis, we propose Counterfactual Query-Trajectory Reliability (CQTR), a training-free framework that elicits latent responses through counterfactual scale interventions and interprets candidate reliability from decoder-internal spatial convergence, semantic persistence, and cross-scale conflicts. A small unlabeled training subset selects the appropriate correction mechanism for each model-data stream, without parameter updates or target-domain annotations. Across 27 combinations of nine frozen detectors and three datasets, CQTR consistently improves average precision (AP) and average precision for small objects (APs). Closed-loop analyses further show that scale intervention activates latent responses, trajectory evidence predicts ground-truth support, and unlabeled routing selects the more effective branch. CQTR therefore reframes small-object detection from external scale augmentation to the activation and reliability assessment of latent scale knowledge.
• Abstract（参考訳）: 限られたピクセルが情報損失を引き起こし、事前訓練された検出器で符号化されたスケール知識を抑制するため、小さな物体検出は依然として困難である。 既存のアプローチは主に、マルチスケールのトレーニング、アーキテクチャの再設計、パラメータ適応を通じて表現を改善する。 我々はこの仮定に挑戦し、凍った検出器に既に小さな物体の知識が存在するが、クエリの進化の間には不活性で不安定なままである、という仮説を立てる。 この仮説を検証するために,デコーダ内空間収束,セマンティック・パーシステンス,およびクロススケール・コンフリクトから潜在応答を抽出し,候補信頼性を解釈する学習自由なフレームワークであるCQTRを提案する。 小さなラベルのないトレーニングサブセットは、パラメータ更新やターゲットドメインアノテーションなしで、各モデルデータストリームの適切な修正メカニズムを選択する。 9つの凍結検出器と3つのデータセットからなる27以上の組み合わせで、CQTRは一貫して平均精度(AP)と小天体の平均精度(AP)を改善している。 クローズドループ解析により、スケール介入は潜伏応答を活性化し、軌道証拠は地道支援を予測し、ラベルなしルーティングはより効果的な分岐を選択する。 そのため、CQTRは、外部スケール拡張からの小さなオブジェクト検出を、潜在スケール知識の活性化と信頼性評価に再配置する。

関連論文リスト

• Detecting Backdoors in Object Detection via Pre-NMS Prediction Distribution Shift [35.70747932100589]
  DistScanは、シンプルだが以前は明らかにされていなかった観察に基づくバックドア検出フレームワークである。 既存の手法を大幅に上回り、最高の性能のベースラインに対する平均検出精度を27.32ポイント向上させる。
  論文  参考訳（メタデータ） (2026-08-19T16:38:39Z)
• Conformal Changepoint Localization and Root Cause Analysis with Corrupted Observations [55.76952683833966]
  本稿では,データ破損時の信頼性設定サイズを低減するために,重み付きCONCH(W-CONCH)と重み付きCROC(W-CROC)を提案する。 画像ベースおよび実世界の変化点と根本原因ベンチマークの実験は、不確実性ベースの重み付けが信頼性セットのサイズを大幅に減少させることを示している。
  論文  参考訳（メタデータ） (2026-07-29T05:16:59Z)
• REAL-OW: Rehearsal-free Open World Object Detection with Low-Rank Adaptation and Dual-Stage Objectness Modeling [56.888597798431704]
  Open-World Object Detection (OWOD) では、未確認のオブジェクトを未知のものとして識別し、それを既知のカテゴリのセットにインクリメンタルに組み込む必要がある。 既存のフレームワークは、破滅的な忘れを緩和するために、模範的なリプレイに大きく依存しているが、実際のアプリケーションでは、データアクセス制限との生データ競合を保存し、データ露出のリスクをもたらす。 協調的なアダプタアーキテクチャを通じて段階的な知識を分離する新しいリハーサルフリーフレームワークであるREAL-OWを提案する。
  論文  参考訳（メタデータ） (2026-07-03T06:38:54Z)
• Variational Feature Compression for Model-Specific Representations [16.34000934736747]
  ディープラーニング推論は、ますます共有およびクラウドベースの設定にデプロイされている。 あるタスクに送信されたデータは、別のタスクのために許可されていないモデルによって再利用される。 指定された分類器の精度を保ちながら、クロスモデル転送を抑制する特徴抽出フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-08T03:34:46Z)
• Source-Free Object Detection with Detection Transformer [59.33653163035064]
  Source-Free Object Detection (SFOD) は、ソースデータにアクセスすることなく、ソースドメインから教師なしのターゲットドメインへの知識転送を可能にする。 ほとんどの既存のSFODアプローチは、より高速なR-CNNのような従来のオブジェクト検出(OD)モデルに限られるか、新しいODアーキテクチャ、特に検出変換器(DETR)に適合しない一般的なソリューションとして設計されている。 本稿では,DTRのクエリ中心の機能強化を特化して設計された新しいSFODフレームワークであるFeature Reweighting ANd Contrastive Learning NetworK(FRANCK)を紹介する。
  論文  参考訳（メタデータ） (2025-10-13T07:35:04Z)
• An Uncertainty-aware DETR Enhancement Framework for Object Detection [10.102900613370817]
  本稿では,DETRを用いた物体検出のための不確実性認識フレームワークを提案する。 我々はハイリスク情報をフィルタリングし、検出信頼性を向上させるベイズリスクの定式化を導出する。 COCOベンチマーク実験により,本手法を既存のDECR変種に効果的に統合できることが示唆された。
  論文  参考訳（メタデータ） (2025-07-20T07:53:04Z)
• A Few Large Shifts: Layer-Inconsistency Based Minimal Overhead Adversarial Example Detection [13.109309606764754]
  我々は、ターゲットモデル自体の内部の階層的不整合を利用するプラグイン検出フレームワークを導入する。 本手法は計算オーバーヘッドを無視して最先端検出性能を実現する。
  論文  参考訳（メタデータ） (2025-05-19T00:48:53Z)
• Small Object Detection via Coarse-to-fine Proposal Generation and Imitation Learning [52.06176253457522]
  本稿では,粗粒度パイプラインと特徴模倣学習に基づく小型物体検出に適した2段階フレームワークを提案する。 CFINetは、大規模な小さなオブジェクト検出ベンチマークであるSODA-DとSODA-Aで最先端の性能を達成する。
  論文  参考訳（メタデータ） (2023-08-18T13:13:09Z)
• Enhancing Multiple Reliability Measures via Nuisance-extended Information Bottleneck [77.37409441129995]
  トレーニングデータに制限がある現実的なシナリオでは、データ内の多くの予測信号は、データ取得のバイアスからより多く得る。 我々は,相互情報制約の下で,より広い範囲の摂動をカバーできる敵の脅威モデルを考える。 そこで本研究では,その目的を実現するためのオートエンコーダベーストレーニングと,提案したハイブリッド識別世代学習を促進するための実用的なエンコーダ設計を提案する。
  論文  参考訳（メタデータ） (2023-03-24T16:03:21Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)

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。