論文の概要: Socialized UAV Cross-Task Learning: Towards Cross-Granularity Collaboration through Hierarchical Interaction

• arxiv url: http://arxiv.org/abs/2609.19867v1
• Date: Thu, 17 Sep 2026 08:20:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:54.162388
• Title: Socialized UAV Cross-Task Learning: Towards Cross-Granularity Collaboration through Hierarchical Interaction
• Title（参考訳）: ソーシャル化UAVクロスタスク学習 : 階層的相互作用によるクロスグラニティコラボレーションを目指して
• Abstract要約: クロスグラニュラリティ学習は、単純なタスク結合よりも階層的な相互作用制御の問題である。 我々は,タスクが情報交換を行うタイミング,場所,方法を規定する,プログレッシブで適応的なフレームワークであるCross-Granularity Socialized Collaboration (CGSC)を提案する。
• 参考スコア（独自算出の注目度）: 18.562477687587847
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Joint learning across heterogeneous tasks is often treated as task coupling through feature sharing, distillation, or auxiliary supervision. However, in cross-task learning, mismatched representational and supervisory granularities make such coupling prone to interference, teacher bias, or unidirectional collapse. We argue that cross-granularity learning is fundamentally a problem of hierarchical interaction regulation rather than simple task coupling. This issue is particularly evident in UAV perception, where visual shifts and detection--segmentation objectives naturally form coarse- and fine-grained knowledge sources. To systematically study this problem, we introduce CrossUAV, a UAV benchmark for joint object detection and instance segmentation that provides a unified evaluation platform for cross-granularity task collaboration. To address these challenges, we propose Cross-Granularity Socialized Collaboration (CGSC), a progressive and adaptive framework that regulates when, where, and how tasks exchange information across network hierarchies. CGSC progressively activates cross-task interactions and adaptively adjusts the strength according to task contribution, suppressing harmful interference while exploiting complementary coarse- and fine-grained structures. Extensive experiments demonstrate consistent improvements on both tasks, validating hierarchical dynamic interaction as an effective mechanism for cross-granularity collaboration.
• Abstract（参考訳）: 不均一なタスク間の共同学習は、しばしば特徴共有、蒸留、補助的な監督を通じてタスク結合として扱われる。 しかし、クロスタスク学習では、ミスマッチした表現と監督の粒度は干渉や教師の偏見、一方向の崩壊を招きやすい。 クロスグラニュラリティ学習は基本的に、単純なタスク結合よりも階層的な相互作用制御の問題である、と我々は主張する。 この問題は、視覚的シフトと検出の目的が自然に粗くきめ細かな知識源を形成するUAV知覚において特に顕著である。 この問題を体系的に研究するために,共同オブジェクト検出とインスタンスセグメンテーションのためのUAVベンチマークであるCrossUAVを導入する。 これらの課題に対処するために,ネットワーク階層間の情報交換をいつ,どこで,どのように行うかを制御する,プログレッシブで適応的なフレームワークであるCross-Granularity Socialized Collaboration (CGSC)を提案する。 CGSCはクロスタスク相互作用を段階的に活性化し、タスクコントリビューションに応じて強度を適応的に調整し、相補的な粗い構造ときめ細かな構造を利用して有害な干渉を抑制する。 大規模な実験は、両タスクの一貫性のある改善を示し、階層的動的相互作用を粒度間協調の効果的なメカニズムとして検証する。

関連論文リスト

• Uncovering Understanding-Generation Synergy in Native Unified Multimodal Models: From Representation, Task to System [90.64481646805855]
  統一マルチモーダルモデル(UMM)は、単一のモデル内で視覚的理解と生成を共同で行う。 制御された、構造的にネイティブな環境で、それらの関係を表現、タスク、システムレベルで調査する。 適切な特殊化やタスク知識の共有,エンドツーエンドの最適化など,UMMの価値は統一インターフェースを超えて,共存を相乗効果に転換できることを示す。
  論文  参考訳（メタデータ） (2026-09-01T17:59:59Z)
• Rethinking Air-Ground Collaboration: A Progressive Cross-Task Benchmark and Socialized Learning Framework [12.881497228808078]
  社会的共知覚(Socialized Co-Perception, SCP)は、航空的グローバルローカライゼーションからグラウンドターゲット・アソシエーション、アイデンティティ・アウェア・パーシングまで、段階的にコラボレーションを組織する。 SCPは3.73%の進化的増加と7.86%のダウンストリーム性能向上を実現している。
  論文  参考訳（メタデータ） (2026-06-17T09:17:55Z)
• LatentGym: A Testbed For Cross-Task Experiential Learning With Controllable Latent Structure [9.42262449979372]
  クロスタスク体験学習は、パーソナライズや対話的な支援といった領域において重要である。 既存のトレーニング/評価フレームワークは、共有可能な制御可能な潜在構造を提供しておらず、エージェントが改善するかどうかを測定することができない。 タスクをまたいだ構造を規定する地道な潜伏変数を中心に,各環境を整理する制御可能なスイートであるLatentGymを紹介した。
  論文  参考訳（メタデータ） (2026-06-13T13:51:22Z)
• Curriculum reinforcement learning with measurable task representation learning [17.66199732810559]
  カリキュラム強化学習(CRL)では、エージェントは一連のタスク(カリキュラム)に知識を蓄積する。 本稿では,測定可能なタスク表現学習に基づく新しいカリキュラム生成手法を提案する。 提案手法は,様々な課題のあるナビゲーションタスクにおいて評価され,実験結果から,提案手法が最先端のジェネレーティブ・ジェネレーティブ・ジェネレーティブ・アプローチを超越していることが示唆された。
  論文  参考訳（メタデータ） (2026-05-22T08:36:49Z)
• MEJO: MLLM-Engaged Surgical Triplet Recognition via Inter- and Intra-Task Joint Optimization [52.149337961205624]
  手術用三重項認識のためのタスク間最適化とタスク内最適化を両立する枠組みを提案する。 タスク間最適化のために、タスク共有およびタスク固有コンポーネントに表現を分解する共有特徴分散学習スキーム(S$2$D)を導入する。 タスク内最適化競合に対して,正負の曖昧さを識別・再バランスするコーディネート・グラディエント・ラーニング(CGL)戦略を開発する。
  論文  参考訳（メタデータ） (2025-09-16T09:48:52Z)
• Mitigating Interference in the Knowledge Continuum through Attention-Guided Incremental Learning [17.236861687708096]
  Attention-Guided Incremental Learning' (AGILE)は、タスク間の干渉を効果的に軽減するために、コンパクトなタスク注意を組み込んだリハーサルベースのCLアプローチである。 AGILEは、タスク干渉を緩和し、複数のCLシナリオにおいてリハーサルベースのアプローチより優れていることで、一般化性能を著しく向上する。
  論文  参考訳（メタデータ） (2024-05-22T20:29:15Z)
• Continual Object Detection via Prototypical Task Correlation Guided Gating Mechanism [120.1998866178014]
  pRotOtypeal taSk corrElaTion guided gaTingAnism (ROSETTA)による連続物体検出のためのフレキシブルなフレームワークを提案する。 具体的には、統一されたフレームワークはすべてのタスクで共有され、タスク対応ゲートは特定のタスクのサブモデルを自動的に選択するために導入されます。 COCO-VOC、KITTI-Kitchen、VOCのクラスインクリメンタル検出、および4つのタスクの逐次学習の実験により、ROSETTAが最先端のパフォーマンスを得ることが示された。
  論文  参考訳（メタデータ） (2022-05-06T07:31:28Z)
• Learning to Relate Depth and Semantics for Unsupervised Domain Adaptation [87.1188556802942]
  教師なしドメイン適応(UDA)設定において,視覚的タスク関係を符号化してモデル性能を向上させる手法を提案する。 本稿では,意味的および深さ的予測のタスク依存性を符号化する新しいクロスタスク関係層(ctrl)を提案する。 さらに、セマンティック擬似ラベルを利用してターゲットドメインを監督する反復自己学習(ISL)トレーニングスキームを提案する。
  論文  参考訳（メタデータ） (2021-05-17T13:42:09Z)
• Distribution Matching for Heterogeneous Multi-Task Learning: a Large-scale Face Study [75.42182503265056]
  マルチタスク学習は、共有学習アルゴリズムによって複数のタスクを共同で学習する方法論として登場した。 我々は異種mtlに対処し,検出,分類,回帰問題を同時に解決する。 大規模な顔分析のための最初のフレームワークであるFaceBehaviorNetを構築し、すべての顔行動タスクを共同で学習する。
  論文  参考訳（メタデータ） (2021-05-08T22:26:52Z)
• Cascaded Human-Object Interaction Recognition [175.60439054047043]
  マルチステージで粗大なHOI理解のためのカスケードアーキテクチャを提案する。 各段階で、インスタンスローカライゼーションネットワークは、HOI提案を段階的に洗練し、インタラクション認識ネットワークにフィードする。 慎重に設計された人間中心の関係機能により、これらの2つのモジュールは効果的な相互作用理解に向けて協調的に機能する。
  論文  参考訳（メタデータ） (2020-03-09T17:05:04Z)

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。