論文の概要: Learning from Distributed Eyes: Leveraging Collaborative Perception for Automated Model Adaptation

• arxiv url: http://arxiv.org/abs/2609.18511v1
• Date: Wed, 16 Sep 2026 11:44:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.774315
• Title: Learning from Distributed Eyes: Leveraging Collaborative Perception for Automated Model Adaptation
• Title（参考訳）: 分散眼から学ぶ: 自動モデル適応のための協調認識を活用する
• Abstract要約: 我々は、協調認識をモデル適応のための高品質な監視源に変換する新しいフレームワークであるLDEを提案する。 LDEは、事前訓練されたモデルと最先端の教師なし適応手法の両方を一貫して上回っている。
• 参考スコア（独自算出の注目度）: 22.82731842662139
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In autonomous driving, perception models often struggle to generalize to new environments due to domain shifts. While unsupervised model adaptation offers a feasible solution without labor-intensive manual labeling, existing methods that rely solely on the ego-vehicle's data often lead to inferior pseudo-labeling performance. To address this critical issue, we propose LDE, Learning from Distributed ``Eyes", a novel framework that transforms collaborative perception (CP) into a source of high-quality supervision for model adaptation. This pseudo-labeling approach is hyperparameter-insensitive and relatively reliable, assuming CP often outperforms single-agent's perception. However, naively implementing this approach encounters (1) the communication bottleneck of sharing rich features under time and bandwidth constraints, (2) the view discrepancy between the CP view and the learner's Field of View (FoV), and (3) the unreliability even in CP-generated labels. To address these issues, we design an adaptation-oriented feature sharing mechanism that selectively transmits the most critical information for adaptation, an FoV filtering method that meticulously eliminates mismatched labels, and a curriculum learning strategy to progressively exploit pseudo labels. Extensive experiments on 3D object detection tasks demonstrate that LDE consistently outperforms both the pre-trained models and state-of-the-art unsupervised adaptation methods.
• Abstract（参考訳）: 自律運転では、知覚モデルはドメインシフトによる新しい環境への一般化に苦慮することが多い。 教師なしモデル適応は、労働集約的な手動ラベリングなしで実現可能なソリューションを提供するが、エゴ車両のデータのみに依存する既存の手法は、しばしば擬似ラベリングのパフォーマンスを低下させる。 この重要な問題に対処するために、我々は、協調認識(CP)をモデル適応のための高品質な監督源に変換する新しいフレームワークである、LDE, Learning from Distributed `Eyesを提案する。 この擬似ラベル法は、CPがシングルエージェントの知覚より優れていると仮定して、ハイパーパラメータ非感受性で比較的信頼性が高い。 しかし,本手法は,(1)時間と帯域幅の制約下でリッチな特徴を共有するコミュニケーションのボトルネック,(2)CPビューと学習者の視野(FoV)の相違,(3)CP生成ラベルにおいても信頼性の低下に直面する。 これらの課題に対処するために,適応のための最重要情報を選択的に伝達する適応指向の特徴共有機構,不一致ラベルを慎重に除去するFoVフィルタリング手法,疑似ラベルを段階的に活用するカリキュラム学習戦略を設計する。 3Dオブジェクト検出タスクに関する大規模な実験により、LDEは事前訓練されたモデルと最先端の教師なし適応手法の両方を一貫して上回っていることが示された。

関連論文リスト

• From Inference to Adaptation: A Unified Optimal Transport View of Vision Language Model [81.67708143891319]
  視覚言語モデル (VLM) は, 実世界の分布変化に敏感でありながら, 目覚ましいゼロショット能力を示した。 本稿では、VLMの推論と適応の目的を橋渡しし、algnameと呼ばれる原則付きVLM TTA手法を提案する。 実験により,本手法の有効性と効率を実証し,最先端の手法を最大7%,最先端の手法を最大7%上回る結果を得た。
  論文  参考訳（メタデータ） (2026-08-18T21:44:32Z)
• CVKD-UDA: Cross-View Knowledge Distillation for 3D Unsupervised Domain Adaptive Segmentation [19.197208667890337]
  CVKD-UDAは,ボクセルサイズを基本設計要素として再検討し,ドメイン類似表現を構築する。 異なるボクセルサイズで2つの相補的なビューを生成し、クロスビューな知識蒸留を導入する。 2つのベンチマーク実験により,CVKD-UDAは自己学習法の性能を効果的に向上することが示された。
  論文  参考訳（メタデータ） (2026-07-11T02:55:02Z)
• Dual-Teacher Distillation with Subnetwork Rectification for Black-Box Domain Adaptation [69.7036779439312]
  ブラックボックスドメイン適応は、非常に実用的で非常に困難な設定である。 ブラックボックスソースモデルに埋め込まれた特定の知識を活用するサブネットワーク整合モデル(DDSR)を用いた二重蒸留法を提案する。 我々の手法は、ソースデータやモデルの使用を含む、最先端の手法に対する一貫した改善を実証する。
  論文  参考訳（メタデータ） (2026-03-24T07:54:19Z)
• LVLM-Aided Alignment of Task-Specific Vision Models [49.96265491629163]
  タスク固有の視覚モデルは、高い領域において不可欠である。 本稿では,タスク固有の視覚モデルと人間のドメイン知識を協調する,新しい,効率的な手法を提案する。 提案手法は, モデル動作と人間の仕様との整合性を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-12-26T11:11:25Z)
• Prototype-Guided Pseudo-Labeling with Neighborhood-Aware Consistency for Unsupervised Adaptation [12.829638461740759]
  CLIPのような視覚言語モデルに対する教師なし適応では、ゼロショット予測からの擬似ラベルは大きなノイズを示すことが多い。 本稿では,プロトタイプの整合性と近傍の整合性を統合することで,CLIPの適応性能を向上させる適応型擬似ラベルフレームワークを提案する。 提案手法は、教師なし適応シナリオにおける最先端性能を実現し、計算効率を維持しつつ、より正確な擬似ラベルを提供する。
  論文  参考訳（メタデータ） (2025-07-22T19:08:24Z)
• Consistency Regularization for Generalizable Source-free Domain Adaptation [62.654883736925456]
  ソースフリードメイン適応(source-free domain adapt, SFDA)は、ソースデータセットにアクセスすることなく、十分にトレーニングされたソースモデルを未学習のターゲットドメインに適応することを目的としている。 既存のSFDAメソッドは、ターゲットのトレーニングセット上で適用されたモデルを評価し、目に見えないが同一の分散テストセットからデータを無視する。 より一般化可能なSFDA法を開発するための整合正則化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-03T07:45:53Z)
• ViDA: Homeostatic Visual Domain Adapter for Continual Test Time Adaptation [48.039156140237615]
  目標ドメインの継続的な変更に事前訓練されたモデルを適用するために、連続的なテスト時間適応タスクを提案する。 我々はCTTA用のVisual Domain Adapter (ViDA) を設計し、ドメイン固有知識とドメイン共有知識の両方を明示的に扱う。 提案手法は,CTTAタスクの分類とセグメント化の両方において,最先端の性能を実現する。
  論文  参考訳（メタデータ） (2023-06-07T11:18:53Z)
• Predicting Class Distribution Shift for Reliable Domain Adaptive Object Detection [2.5193191501662144]
  Unsupervised Domain Adaptive Object Detection (UDA-OD) は、オープンワールド環境におけるロボットビジョンシステムの信頼性を向上させるために、非ラベルデータを使用する。 自己学習に基づくUDA-ODに対する従来のアプローチは、画像の一般的な外観の変化を克服するのに有効である。 本稿では,自己学習における疑似ラベルの信頼性を向上させるために,クラス分散シフトに明示的に対処するフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-02-13T00:46:34Z)
• Feature Diversity Learning with Sample Dropout for Unsupervised Domain Adaptive Person Re-identification [0.0]
  本稿では,ノイズの多い擬似ラベルを限定することで,より優れた一般化能力を持つ特徴表現を学習する手法を提案する。 我々は,古典的な相互学習アーキテクチャの下で,FDL(Feature Diversity Learning)と呼ばれる新しい手法を提案する。 実験の結果,提案するFDL-SDは,複数のベンチマークデータセット上での最先端性能を実現することがわかった。
  論文  参考訳（メタデータ） (2022-01-25T10:10:48Z)

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。