論文の概要: CLFTv2: Efficient Camera-LiDAR Fusion for Semantic Segmentation via Hierarchical Feature Pyramids
- arxiv url: http://arxiv.org/abs/2609.09881v1
- Date: Wed, 09 Sep 2026 08:37:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:08.95294
- Title: CLFTv2: Efficient Camera-LiDAR Fusion for Semantic Segmentation via Hierarchical Feature Pyramids
- Title（参考訳）: CLFTv2:階層的特徴ピラミッドを用いたセマンティックセグメンテーションのための効率的なカメラ-LiDAR融合
- Abstract要約: 我々は,グローバルなViT注目に取って代わる階層型カメラ-LiDAR融合フレームワークであるCLFTv2を紹介する。
ZODでは、CLFTv2-Largeは53.5% mIoUを達成し、歩行者IoUを35.5%から44.9%に改善した。
SwinベースのMask2Formerと比べ、CLFTv2は1.4$times$少ないGFLOPを必要とし、2.2$times$高いスループットを提供する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Semantic segmentation for autonomous driving requires reliable detection of vulnerable road users (VRUs) despite heavy class imbalance. We introduce CLFTv2, a hierarchical camera-LiDAR fusion framework replacing global ViT attention with a Swin-based multi-scale encoder and a lightweight FPN-style residual decoder. Operating in the 2D perspective domain, CLFTv2 integrates multi-scale geometric cues through shifted-window attention and per-scale residual fusion, avoiding the computational overhead of query-matching decoders. Across three driving datasets, CLFTv2 consistently improves VRU recall. On ZOD, CLFTv2-Large achieves 53.5\% mIoU, improving pedestrian IoU from 35.5\% to 44.9\% over the prior CLFT model. On Waymo, CLFTv2 reaches 61.7\% mIoU. Additionally, a modality-isolation study suggests ViT's global receptive field yields stronger fusion gains only under dense LiDAR returns. Compared to a Swin-based Mask2Former adaptation, CLFTv2 requires 1.4$\times$ fewer GFLOPs and delivers 2.2$\times$ higher throughput, while achieving comparable overall accuracy. These results demonstrate that hierarchical local-attention fusion offers an efficient, scalable alternative to global-attention and query-based decoders for real-time on-vehicle perception in intelligent transportation systems. Source code is publicly available.
- Abstract（参考訳）: 自律運転のためのセマンティックセグメンテーションは、重度の不均衡にもかかわらず、脆弱な道路利用者(VRU)を確実に検出する必要がある。
CLFTv2は、グローバルなViT注意をスウィンベースのマルチスケールエンコーダと軽量なFPNスタイルの残留デコーダで置き換える階層型カメラ-LiDAR融合フレームワークである。
2Dパースペクティブドメインで動作するCLFTv2は、シフトウインドウの注意とスケールごとの残差融合を通じて、クエリマッチングデコーダの計算オーバーヘッドを回避し、マルチスケールの幾何学的キューを統合する。
3つの駆動データセット全体で、CLFTv2は一貫してVRUリコールを改善している。
ZODでは、CLFTv2-Largeは53.5\% mIoUを達成し、歩行者IoUを以前のCLFTモデルよりも35.5\%から44.9\%に改善した。
Waymoでは、CLFTv2は61.7\% mIoUに達する。
さらに、モダリティ・アイソレーション(英語版)による研究は、ViTの大域的受容場は高密度のLiDARリターンでのみより強い核融合ゲインをもたらすことを示唆している。
SwinベースのMask2Formerと比べ、CLFTv2は1.4$\times$少ないGFLOPを必要とし、2.2$\times$高いスループットを提供する。
これらの結果は、階層的な局所的注意融合が、インテリジェント交通システムにおけるリアルタイム車載認識のためのグローバルな注意とクエリベースのデコーダに、効率的でスケーラブルな代替手段を提供することを示している。
ソースコードは公開されている。
関連論文リスト
- OPUS-V2: Bridging the Gap between Sparse Points and Dense Voxels [74.61043439622689]
OPUS-V2(OPUS-V2)を提案する。
OPUS-V2はデコーダの後方に軽量な点ボクセル変換(PVT)モジュールを組み込んで、スパース予測を密度の高いボクセル空間に適応的にマッピングする。
我々のアーキテクチャは特徴と占有率の生成プロセスを分離し、OPUS-V2が任意の占有率の解決に適応できるようにします。
論文 参考訳（メタデータ） (2026-08-29T10:45:34Z) - Empowering Compact LLMs with Fusion of Layer-wise Exits for Recommendation [59.216721553953]
大規模言語モデルベースレコメンデータシステム(LLM-RS)は目覚ましい能力を示しているが、現実の多くのアプリケーションでは計算的に持続不可能である。
本稿では,スケーラブルなフルコーパスランキングを維持しつつ,コンパクトなLLMを向上する識別フレームワークを提案する。
Qwen 3 1.7BとLlama 3.2 3Bの3つの実世界のデータセットの実験では、FLEXRecは高い効率を維持しながら最先端の精度を達成している。
論文 参考訳（メタデータ） (2026-08-18T03:14:28Z) - LALE: Lightweight-Transformer Architecture for Land-Cover Estimation [4.554894288663752]
本稿では,エンド・ツー・エンドのリモートセンシング画像セグメンテーションアーキテクチャであるLALEについて述べる。
大規模なARAS400kリモートセンシングセグメンテーションベンチマークでは、LALEはCNN、トランスフォーマー、ハイブリッドベースラインに対して強力な効率とパフォーマンスのトレードオフを確立する。
我々の最小の変種(たった1.6Mパラメータ)は、最高のベースライン(UPerNet)の2.6F1ポイント以内まで到達し、4.5倍のパラメータ、7倍のストレージ、17倍のGMAC、1.8倍のスループットを提供する。
論文 参考訳（メタデータ） (2026-06-01T11:18:49Z) - Scaling Parallel Sequence Models to Foundation-Scale Vision Encoders [123.58723804218151]
ビジョンファウンデーションモデルは、自己注意の二次的なコストによってボトルネックとなる。
2次元空間伝搬伝搬に基づくC-GSPNを提案する。
論文 参考訳（メタデータ） (2026-05-30T14:29:43Z) - EVCC: Enhanced Vision Transformer-ConvNeXt-CoAtNet Fusion for Classification [0.5394291557377919]
トランスフォーマーとCNNを組み合わせたハイブリッド視覚アーキテクチャは画像分類が大幅に進歩しているが、通常は計算コストがかなり高い。
本稿では、Vision Transformer、軽量ConvNeXt、CoAtNetを統合した新しいマルチブランチアーキテクチャであるEVCCを紹介する。
CIFAR-100、Tobacco3482、CelebA、Brain Cancerデータセットにわたる実験は、EVCCが強力なモデルよりも優れていることを示している。
論文 参考訳（メタデータ） (2025-11-24T02:11:19Z) - LIDAR: Lightweight Adaptive Cue-Aware Fusion Vision Mamba for Multimodal Segmentation of Structural Cracks [27.57718303520023]
軽量適応Cue-Aware Vision Mambaネットワークを提案する。
マルチモーダルひび割れのシナリオ下で、異なるモーダルから形態的およびテクスチャ的手がかりを効率よく知覚し、統合する。
本手法はF1では0.8204、mIoUでは0.8465、パラメータは5.35Mである。
論文 参考訳（メタデータ） (2025-07-30T08:28:20Z) - MetaOcc: Spatio-Temporal Fusion of Surround-View 4D Radar and Camera for 3D Occupancy Prediction with Dual Training Strategies [12.485905108032146]
本稿では,Omni指向の3次元占有予測のための新しいマルチモーダルフレームワークであるMetaOccを紹介する。
レーダーデータにエンコーダを直接適用することの限界に対処するため,レーダハイト自己保持モジュールを提案する。
高価な点クラウドへの依存を軽減するため,オープンセットセグメンタに基づく擬似ラベル生成パイプラインを提案する。
論文 参考訳（メタデータ） (2025-01-26T03:51:56Z) - MobileUNETR: A Lightweight End-To-End Hybrid Vision Transformer For Efficient Medical Image Segmentation [0.12499537119440242]
皮膚がんのセグメンテーションは、医療画像解析において重要な課題である。
MobileUNETRは、CNNとTransformerの両方のパフォーマンス制約を克服することを目指している。
MobileUNETRは300万のパラメータと1.3 GFLOPの計算複雑性で優れたパフォーマンスを実現している。
論文 参考訳（メタデータ） (2024-09-04T20:23:37Z) - Lightweight Full-Convolutional Siamese Tracker [4.903759699116597]
本稿では,LightFCと呼ばれる軽量完全畳み込み式シームズトラッカーを提案する。
LightFCは、新しい効率的な相互相関モジュールと、新しい効率的なre-centerヘッドを採用している。
実験の結果、LightFCは性能、パラメータ、FlopsとFPSの最適なバランスを実現することがわかった。
論文 参考訳（メタデータ） (2023-10-09T04:07:35Z) - Efficient Decoder-free Object Detection with Transformers [75.00499377197475]
視覚変換器(ViT)は、物体検出アプローチのランドスケープを変化させている。
本稿では,デコーダフリー完全トランス(DFFT)オブジェクト検出器を提案する。
DFFT_SMALLは、トレーニングおよび推論段階で高い効率を達成する。
論文 参考訳（メタデータ） (2022-06-14T13:22:19Z) - BEVFusion: Multi-Task Multi-Sensor Fusion with Unified Bird's-Eye View Representation [105.96557764248846]
本稿では,汎用マルチタスクマルチセンサ融合フレームワークであるBEVFusionを紹介する。
共有鳥眼ビュー表示空間におけるマルチモーダル特徴を統一する。
3Dオブジェクト検出では1.3%高いmAPとNDS、BEVマップのセグメンテーションでは13.6%高いmIoU、コストは1.9倍である。
論文 参考訳（メタデータ） (2022-05-26T17:59:35Z) - LiDAR-based Panoptic Segmentation via Dynamic Shifting Network [56.71765153629892]
LiDARベースのパノプティカルセグメンテーションは、オブジェクトとシーンを統一的に解析することを目的としている。
本稿では,ポイントクラウド領域における効果的な単視分割フレームワークとして機能する動的シフトネットワーク(DS-Net)を提案する。
提案するDS-Netは,現在の最先端手法よりも優れた精度を実現する。
論文 参考訳（メタデータ） (2020-11-24T08:44:46Z)
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。