論文の概要: Data-Efficient Crosswalk Segmentation from Overhead CCTV via Confidence- and Geometry-Guided Pseudo-Labeling

• arxiv url: http://arxiv.org/abs/2609.08914v2
• Date: Mon, 14 Sep 2026 14:03:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-16 07:15:04.684611
• Title: Data-Efficient Crosswalk Segmentation from Overhead CCTV via Confidence- and Geometry-Guided Pseudo-Labeling
• Title（参考訳）: 信頼・幾何学誘導擬似ラベリングによるオーバヘッドCCTVからの効率的な横断歩道セグメンテーション
• Abstract要約: 我々は,手動によるCCTV画像241とラベルなしCCTVフレーム5,926を用いて,データ効率の高いターゲットドメインパイプラインについて検討した。 内的擬似ラベル契約の98.52%は, 人体-地道的正確性ではなく, 内的擬似ラベル契約である。 512 x 512のバッチワンFP32推論は、77.03 FPSに対応する12.98 msを必要とする。
• 参考スコア（独自算出の注目度）: 1.9364098361060789
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Pixel-level annotation of fixed traffic-camera imagery is expensive, while crosswalk models trained from street-level imagery face a substantial viewpoint and appearance shift when applied to elevated CCTV. We investigate a data-efficient target-domain pipeline using 241 manually annotated CCTV images and 5,926 unlabeled CCTV frames. A source-domain experiment trains a 31.0M-parameter custom U-Net on 3,300 first-person-view (FPV) images and obtains 93.05% IoU on its 330-image FPV test split. This result is a source baseline, not transferred performance: the released CCTV notebook instantiates a 42.0M-parameter DeepLabV3-ResNet50 from torchvision weights, and no compatible mapping from the U-Net checkpoint is implemented. Training on 201 manual CCTV images and selecting on 40 held-out manual masks yields 88.91% IoU. The model then predicts all unlabeled frames; image-level certainty and a largest-component area prior rank the candidates, and the top 1,000 attain mean certainty 0.976 and mean combined score 0.988. A repository audit shows that the reported second-stage 98.52% IoU was measured on a 150-image split containing only teacher-generated pseudo-masks. Because of a directory-layout mismatch, the executed combined-data loader found zero manual samples and split 1,000 pseudo-labeled samples into 850 training and 150 evaluation samples. We therefore report 98.52% as internal pseudo-label agreement rather than human-ground-truth accuracy. The defensible target-domain result is 88.91% IoU on the 40 manual validation images. Batch-one FP32 inference at 512 x 512 requires 12.98 ms, corresponding to 77.03 FPS, on an NVIDIA RTX A6000 48 GB GPU. These findings support the practicality of confidence-and-geometry filtering while also showing why pseudo-label evaluation must remain isolated from the labels used for self-training.
• Abstract（参考訳）: 固定された交通カメラ画像の画素レベルのアノテーションは高価であるが、道路レベルの画像から訓練された横断歩道モデルは、CCTVの高架化に適用した場合、かなりの視点と外観の変化に直面している。 我々は,手動によるCCTV画像241とラベルなしCCTVフレーム5,926を用いて,データ効率の高いターゲットドメインパイプラインについて検討した。 ソースドメイン実験では、3300枚のFPV画像上に31.0MのカスタムU-Netをトレーニングし、330インチのFPVテスト分割で93.05%のIoUを得る。 CCTVノートブックは、トーチビジョンウェイトから42.0MパラメータのDeepLabV3-ResNet50をインスタンス化し、U-Netチェックポイントからの互換性のあるマッピングは実装されない。 201個の手動CCTV画像の訓練と40個の手動マスクの選択により88.91%のIoUが得られる。 モデルでは、画像レベルの確実性と最大成分領域が候補の上位にランクされ、上位1000は平均的確実性0.976と平均合成スコア0.988である。 リポジトリ監査では、報告された第2段階98.52%のIoUが、教師が生成した擬似マスクのみを含む150イメージのスプリットで測定された。 ディレクトリ・レイアウトのミスマッチのため、実行された複合データローダは手動のサンプルをゼロにし、1,000個の擬似ラベルのサンプルを850のトレーニングと150の評価サンプルに分割した。 そこで我々は,人間-地道的正確性ではなく,内的擬似ラベル契約として98.52%を報告した。 防御可能なターゲットドメインの結果は、40個の手動検証画像の88.91% IoUである。 512 x 512のバッチワンFP32推論では、NVIDIA RTX A6000 48 GB GPU上で77.03 FPSに対応する12.98 msを必要とする。 これらの知見は、自信と幾何学的フィルタリングの実践性を支持し、また、なぜ擬似ラベル評価が自己学習に使用されるラベルから分離されなければならないのかを示している。

関連論文リスト

• Towards Practical Precision Agriculture: Real-Time Fruit Detection and Video Analytics on Embedded Edge Hardware [0.815557531820863]
  本研究では,NVIDIA Jetson Orin Super上で実時間果物の検出,追跡,計数を行うためのエンドツーエンドフレームワークを提案する。 軽量のYOLO26s検出器は、リンゴ、マンゴー、ブルーベリー、イチゴを表す4つの公開データセットで独立に訓練されている。 APPLE MOTSは、果肉の恒常性を持った果樹配列を提供するため、時間的ビデオ解析に使用される。
  論文  参考訳（メタデータ） (2026-09-11T21:32:02Z)
• Edges Before Embeddings: A Confidence-Aware Blur Gate for Vision-Language Pipelines [0.0]
  MagikaDocumentFromPixelは、1つのイメージを1つのCPUコアで約7ミリ秒でシャープ、ぼやけた、あるいは不確実なものとして分類する。 ラプラシア語で書かれた補助的な入力チャネルは、古典的なぼけが依存しているスペクトル証拠に直接アクセスする。 最後のレシピであるMobileNetV3-Large with the EPM with 384x384 at paired GoPro Large frames, evaluate with 5-scale test-time augmentation with F1 = 0.9803 (AUC 0.9989) with a 17 MB ONNX artifact。
  論文  参考訳（メタデータ） (2026-06-24T13:51:42Z)
• No Dense Tensors Needed: Fully Sparse Object Detection on Event-Camera Voxel Grids [0.3823356975862005]
  イベントカメラは、小型で高速で動くドローンを検出するのに適した、非同期で高ダイナミックなストリームを生成する。 ほとんどの事象ベースの検出器はスパース事象ストリームを密度の高いテンソルに変換し、ニューロモルフィックセンシングの表現効率を放棄する。 SparseVoxelDetは,バックボーンの特徴抽出,ピラミッド融合,検出ヘッドがすべて占有されたボクセル位置のみで動作する,イベントカメラ用初の完全スパース物体検出器である。
  論文  参考訳（メタデータ） (2026-03-23T07:12:14Z)
• Perception Encoder: The best visual embeddings are not at the output of the network [70.86738083862099]
  本稿では、単純な視覚言語学習によって訓練された画像と映像の理解のための視覚エンコーダであるPerception (PE)を紹介する。 対照的な視覚言語学習だけでは、これらの下流タスクに強力な汎用的な埋め込みを実現できることが分かっています。 PEモデル群は,多種多様なタスクにおいて,クラス内で最高の結果が得られる。
  論文  参考訳（メタデータ） (2025-04-17T17:59:57Z)
• Perception Test: A Diagnostic Benchmark for Multimodal Video Models [78.64546291816117]
  本稿では,事前学習したマルチモーダルモデルの知覚と推論能力を評価するために,新しいマルチモーダルビデオベンチマークを提案する。 知覚テストは、スキル(記憶、抽象化、物理学、セマンティックス)と、ビデオ、オーディオ、テキストモダリティ間の推論(記述的、説明的、予測的、反ファクト的)のタイプに焦点を当てている。 このベンチマークは、ゼロショット/少数ショットまたは限定的な微調整方式で、転送機能の事前訓練されたモデルを探索する。
  論文  参考訳（メタデータ） (2023-05-23T07:54:37Z)
• Exploiting CNNs for Semantic Segmentation with Pascal VOC [0.0]
  本稿では,Pascal VOCデータセットを用いたセマンティックセグメンテーションに関する総合的研究を行う。 まずFCN(Fully Convolution Network)ベースラインを使用し、71.31%の精度と0.0527の平均IoUを実現した。 パフォーマンスと動作を分析し、その後、ベースラインにおける問題に3つの改善を加えて対処します。
  論文  参考訳（メタデータ） (2023-04-26T00:40:27Z)
• OmniPD: One-Step Person Detection in Top-View Omnidirectional Indoor Scenes [4.297070083645049]
  畳み込みニューラルネット(CNN)を用いた一段階一方向屋内シーン検出法を提案する。 本手法は、視点変換を伴わない全方位画像において、複数の人物の境界ボックスを直接予測する。 本手法は他のCNNベースの物体検出器にも適用可能であり,全方位画像における他の物体の検出に応用できる可能性が示唆された。
  論文  参考訳（メタデータ） (2022-04-14T09:41:53Z)
• Focal Modulation Networks [105.93086472906765]
  自己注意(SA)は完全に焦点変調ネットワーク(FocalNet)に置き換えられる ImageNet-1Kの精度は82.3%、83.9%である。 FocalNetsは下流のタスクに転送する際、顕著な優位性を示す。
  論文  参考訳（メタデータ） (2022-03-22T17:54:50Z)
• Corrupted Image Modeling for Self-Supervised Visual Pre-Training [103.99311611776697]
  自己教師型視覚前訓練のためのCIM(Corrupted Image Modeling)を提案する。 CIMは、小さなトレーニング可能なBEiTを備えた補助発電機を使用して、人工マスクトークンを使用する代わりに入力イメージを破損させる。 事前トレーニング後、エンハンサーは下流タスク用の高容量ビジュアルエンコーダとして使用できる。
  論文  参考訳（メタデータ） (2022-02-07T17:59:04Z)
• Intra-Inter Camera Similarity for Unsupervised Person Re-Identification [50.85048976506701]
  擬似ラベル生成のための新しいカメラ内類似性について検討する。 re-idモデルをカメラ内およびカメラ間擬似ラベルを用いて2段階訓練した。 この単純なinter-inter cameraの類似性は、複数のデータセットで驚くほど優れたパフォーマンスを生み出す。
  論文  参考訳（メタデータ） (2021-03-22T08:29:04Z)
• Self-EMD: Self-Supervised Object Detection without ImageNet [101.93417572349563]
  本稿では,オブジェクト検出のための自己教師付き表現学習手法であるSelf-EMDを提案する。 提案手法は,イメージネットのようなアイコンオブジェクト画像データセットの代わりに,COCOのようなラベルなしの非標準画像データセットを直接訓練する。 我々のFaster R-CNN(ResNet50-FPN)ベースラインはCOCO上で39.8%のmAPを達成した。
  論文  参考訳（メタデータ） (2020-11-27T11:27:19Z)
• Single Shot Video Object Detector [215.06904478667337]
  Single Shot Video Object Detector (SSVD)は、新しいアーキテクチャであり、ビデオ内のオブジェクト検出のための1段階の検出器に機能集約を新規に統合する。 448の448ドルの入力で、SSVDはImageNet VIDデータセットで79.2%のmAPを達成した。
  論文  参考訳（メタデータ） (2020-07-07T15:36:26Z)
• R-FCN: Object Detection via Region-based Fully Convolutional Networks [87.62557357527861]
  我々は,高精度かつ効率的な物体検出のための領域ベースの完全畳み込みネットワークを提案する。 我々の結果は、Faster R-CNNよりも2.5-20倍高速で、1画像あたり170msのテストタイムで達成される。
  論文  参考訳（メタデータ） (2016-05-20T15:50:11Z)

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。