論文の概要: Balanced Prompt Adaptation against Entropy-Induced Collapse for Test-Time Binary Segmentation
- arxiv url: http://arxiv.org/abs/2609.21743v1
- Date: Fri, 18 Sep 2026 13:18:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-21 18:40:17.109039
- Title: Balanced Prompt Adaptation against Entropy-Induced Collapse for Test-Time Binary Segmentation
- Title（参考訳）: テスト時間バイナリセグメンテーションにおけるエントロピーによる崩壊に対するバランスの取れたプロンプト適応
- Abstract要約: エントロピー最小化はテスト時間適応の標準的な目的であるが、不均衡なバイナリセグメンテーションでは失敗する可能性がある。
本研究では,テスト時バイナリセグメンテーションにおけるエントロピー最小化の代替として,Balanced-Anchor Prompt Adaptation (BAPA)を提案する。
- 参考スコア（独自算出の注目度）: 19.3864183548052
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Entropy minimization is a standard objective for test-time adaptation (TTA), but it can fail in imbalanced binary segmentation. Unlike image classification, dense segmentation aggregates thousands of pixel predictions, allowing the larger predicted class to dominate the update, pull minority predictions toward itself, and produce a degenerate mask as predictions saturate and their entropy gradients vanish. We theoretically establish this collapse in a shared-shift model. This analysis motivates Balanced-Anchor Prompt Adaptation (BAPA), which combines two complementary modules. The Class-Balanced Anchors (CBA) module selects high-confidence anchors separately from each predicted class and gives foreground and background equal total loss weight, preventing the larger region from dominating the update. Dynamic Prompt Adaptation (DPA) refreshes these anchors after each prediction update and optimizes only text-side prompt residuals while keeping the vision-language encoders frozen. This prompt-only update refines the foreground-background decision boundary without altering the pretrained dense visual representation. Across experiments from four domains, BAPA achieves the highest mean Dice among the evaluated methods. Factorized ablations further validate the complementary roles of CBA and DPA, supporting balanced prompt adaptation as an effective alternative to entropy minimization for test-time binary segmentation.
- Abstract（参考訳）: エントロピー最小化はテスト時間適応(TTA)の標準的な目的であるが、不均衡なバイナリセグメンテーションでは失敗する可能性がある。
画像分類とは異なり、高密度セグメンテーションは数千のピクセル予測を集約し、より大きな予測クラスが更新を支配し、少数派の予測を自身に向けて引き寄せ、予測が飽和しエントロピー勾配が消えるにつれて退化マスクを生成する。
理論的には、この崩壊を共有シフトモデルで確立する。
この分析は2つの相補的なモジュールを組み合わせたBa balanced-Anchor Prompt Adaptation (BAPA)を動機付けている。
Class-Balanced Anchors (CBA)モジュールは、予測されたクラスごとに高信頼アンカーを選択し、フォアグラウンドとバックグラウンドの合計損失重量を均等に与え、より大きな領域が更新を支配できないようにする。
Dynamic Prompt Adaptation (DPA)は、各予測更新後にアンカーを更新し、視覚言語エンコーダの凍結を維持しながらテキスト側のプロンプトのみを最適化する。
このプロンプトのみの更新は、事前訓練された濃密な視覚表現を変更することなく、前景と背景の境界を洗練させる。
4つの領域からの実験を通して、BAPAは評価手法の中で最も高いDiceを達成している。
CBAとDPAの相補的役割をさらに検証し、テスト時バイナリセグメンテーションのためのエントロピー最小化の効果的な代替手段として、バランスの取れたプロンプト適応をサポートする。
関連論文リスト
- Attention-Discounted Adaptive Sampler for Masked Diffusion Language Models [59.51249894128724]
マスク付き拡散言語モデルは、反復を識別するごとに複数のトークンを明らかにすることで推論ステップを削減することができる。
パラレルマスク拡散復号法のためのトレーニング不要な復号法であるADASを提案する。
論文 参考訳（メタデータ） (2026-06-09T13:17:27Z) - Entropy Minimization without Model Collapse: Mitigating Prediction Bias in Medical Imaging [2.651701169890824]
エントロピーの最小化はテスト時間適応の主要な目的であるが、その失敗モードであるモデル崩壊は理解されていない。
本稿では,この障害モードを特に対象とするバイアス補正対象である分散シフトバイアス低減(DSBR)を提案する。
DSBRはテスト時間適応を一定に安定化し,モデル崩壊を防止し,最先端の手法に適合し,性能を向上する。
論文 参考訳（メタデータ） (2026-06-01T14:48:16Z) - [CLS] is Not Enough: Multi-Label Recognition via Patch-Level Inference and Adaptive Aggregation [20.637119409165418]
PIAAは、アダプティブアグリゲーション(Adaptive Aggregation)によって、パッチレベルの推論として予測を定式化する。
パッチレベルのスコアを最終的なマルチラベル予測に集約するアダプティブアグリゲーションモジュールを導入する。
実験の結果,提案手法は最小限の余剰計算で強い改善を達成できることがわかった。
論文 参考訳（メタデータ） (2026-05-25T13:19:12Z) - Dual Strategies for Test-Time Adaptation [37.36806938657306]
従来のテスト時間適応アプローチは、ごく少数のテストサンプルを使用してモデルを適応させるのが一般的である。
本稿では,より大規模で多様なテストサンプルを活用することで,分散シフトによる性能向上を実現する新しいフレームワークであるDualTTAを紹介する。
論文 参考訳（メタデータ） (2026-04-19T17:04:36Z) - TAP: A Token-Adaptive Predictor Framework for Training-Free Diffusion Acceleration [19.18455910385295]
Token-Adaptive Predictor (TAP)は、トレーニング不要でプローブ駆動のフレームワークで、サンプリングステップ毎に各トークンの予測子を適応的に選択する。
TAPは無視可能なオーバーヘッドを発生させ、知覚的な品質損失をほとんど、あるいは全くなく、大きなスピードアップを可能にします。
論文 参考訳（メタデータ） (2026-03-04T07:10:11Z) - Anchoring Values in Temporal and Group Dimensions for Flow Matching Model Alignment [61.80228667422234]
VGPOは時間次元とグループ次元の両方で値の推定を再定義する。
スパース端末の報酬を密度の高いプロセス認識値推定に変換する。
標準群正規化を絶対値によって強化された新しいプロセスに置き換え、安定した最適化信号を維持する。
論文 参考訳（メタデータ） (2025-12-13T16:31:26Z) - When Distance Distracts: Representation Distance Bias in BT-Loss for Reward Models [55.444604697848426]
リワードモデルは、RLHFのフレームワーク内のLarge Language Model (LLM)アライメントの中心である。
報酬モデリングで使用される標準的な目的はBradley-Terry(BT)損失であり、これは選択された2つの応答と拒否された応答からなるペアワイズデータから学習する。
適応型ペアワイド正規化方式であるNormBTを提案する。
論文 参考訳（メタデータ） (2025-12-06T08:15:37Z) - Bayesian Test-time Adaptation for Object Recognition and Detection with Vision-language Models [86.53246292425699]
我々は、オブジェクト認識と検出の両方のためのTTAのためのトレーニングフリーフレームワークであるBCA+を提案する。
我々はベイズ推論問題として適応を定式化し、キャッシュベースの予測で初期VLM出力を融合することで最終的な予測を生成する。
BCA+は、認識と検出のベンチマークの両方で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-10-03T06:27:33Z) - Interactive Test-Time Adaptation with Reliable Spatial-Temporal Voxels for Multi-Modal Segmentation [56.70910056845503]
マルチモーダルテストタイム適応(MM-TTA)は、補完的なマルチモーダル入力をオンライン形式で活用することにより、ラベルのないターゲットドメインにモデルを適応させる。
従来のMM-TTA法は, 時間的不整合によるフレームワイドの不安定な予測と, 信頼度誘導の仮定に反する不正確な予測の2つの大きな限界に悩まされていた。
Latte++は、より情報的な幾何学的対応によって不安定なフレーム単位の予測をより抑制し、対話型テスト時間適応(ITTA)は、努力を伴わない人間のフィードバックを促進するフレキシブルなアドオンである。
論文 参考訳（メタデータ） (2024-03-11T06:56:08Z) - Bilevel Online Adaptation for Out-of-Domain Human Mesh Reconstruction [94.25865526414717]
本稿では,事前に訓練されたヒトメッシュ再構築モデルをドメイン外ストリーミングビデオに適応させるという新たな問題を検討する。
重みプローブと重み更新の2つのステップに全体多対象の最適化プロセスを分割するBilevel Online Adaptationを提案します。
BOAが2つのヒューマンメッシュ再構築ベンチマークで最先端の結果をもたらすことを実証する。
論文 参考訳（メタデータ） (2021-03-30T15:47:58Z)
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。