論文の概要: Scout: Open-World Species Recognition on the Edge

• arxiv url: http://arxiv.org/abs/2609.22897v1
• Date: Sat, 19 Sep 2026 09:08:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.583195
• Title: Scout: Open-World Species Recognition on the Edge
• Title（参考訳）: Scout: エッジ上でのオープンワールドな種認識
• Abstract要約: 大規模な視覚言語モデル(VLM)は、固定されたクラスセット以上の認識を可能にするが、その計算要求により、多くのエッジデバイス上では動作できない。 我々は、厳密な計算、エネルギー、帯域幅の予算の中で運用しながら、VLMのオープンワールド認識能力をエッジに持ち込む方法について尋ねる。 我々は,クラウドVLMを断続的に起動して,コンパクトエッジモデルに新しいクラスを教える,自律型オープンワールド認識システムであるScoutを提案する。
• 参考スコア（独自算出の注目度）: 5.738130562297278
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large vision-language models (VLMs) enable recognition beyond a fixed class set, but their computational demands prevent them from running on many edge devices. Cloud offload makes this capability accessible, but sending every image consumes scarce bandwidth and communication energy. We ask how to bring the open-world recognition capability of VLMs to the edge while operating within tight compute, energy, and bandwidth budgets. Wildlife monitoring provides a natural setting for exploring this question because camera traps encounter species not known at deployment. We present Scout, an autonomous open-world recognition system that invokes a cloud VLM intermittently to teach new classes to a compact edge model. Given only the deployment location and empty site frames, Scout autonomously turns each species identified by the VLM into persistent, site-conditioned recognition capability in a resource-efficient edge model, without a predefined species list, human labeling, or manual tuning. Across 30 camera-trap deployments in three regions on an NVIDIA Jetson Orin Nano, the accuracy of Scout remains within 0.1-2.5% of a model given a predefined species list. On species outside its initial class set, Scout achieves 53.7-59.1% accuracy, compared with 56.5-65.1% for full cloud offload, while using 59-71% less deployment energy.
• Abstract（参考訳）: 大規模な視覚言語モデル(VLM)は、固定されたクラスセット以上の認識を可能にするが、その計算要求により、多くのエッジデバイス上では動作できない。 クラウドオフロードは、この機能をアクセス可能にするが、すべてのイメージを送信すると、帯域幅と通信エネルギーが不足する。 我々は、厳密な計算、エネルギー、帯域幅の予算の中で運用しながら、VLMのオープンワールド認識能力をエッジに持ち込む方法について尋ねる。 野生生物の監視は、カメラトラップが展開時に未知の種に遭遇するため、この問題を探索するための自然な設定を提供する。 我々は,クラウドVLMを断続的に起動して,コンパクトエッジモデルに新しいクラスを教える,自律型オープンワールド認識システムであるScoutを提案する。 配置場所と空のサイトフレームのみを前提として、ScoutはVLMによって特定された各種を、事前に定義された種リスト、人間のラベル付け、手動チューニングなしで、リソース効率のよいエッジモデルで、永続的なサイト条件付き認識能力に自律的に変換する。 NVIDIA Jetson Orin Nanoの3つのリージョンで30以上のカメラ・トラックが展開され、Scoutの精度は、事前に定義された種リストが与えられたモデルのうち0.1-2.5%以内である。 最初のクラス以外の種では、Scoutは53.7-59.1%の精度を達成し、完全なクラウドオフロードでは56.5-65.1%、配置エネルギーでは59-71%の精度を達成している。

関連論文リスト

• Robostral Navigate [138.74472687550374]
  Robostral Navigateは、大規模なナビゲーションシステムのための視覚言語モデルである。 モノラルなRGB画像のストリームのみを消費し、現在のカメラビューの次のターゲット位置を指して、ウェイポイントを予測する。 我々は、実世界のデータ収集への依存を減らすため、350kのシミュレートされたシーンに240万のトラジェクトリを生成します。
  論文  参考訳（メタデータ） (2026-07-22T23:13:05Z)
• G-PROBE: Cross-FOV Place Recognition and Certainty-Coupled Localization for 3D Point Clouds [7.48167476351547]
  学習自由なグローバルローカライゼーションフレームワークであるG-PROBEを提案する。 仮想センサー分解は、狭いFOVセンサーからパノラマまたはマルチセンサーリグまでの構成で、設計上は同じパイプラインを実行する。 G-PROBEは、平均して学習不要なマルチセッションF1に達し、パノラマ単一セッション設定で競合する。
  論文  参考訳（メタデータ） (2026-07-07T20:22:44Z)
• Learning Humanoid Navigation from Human Data [20.068761469097193]
  EgoNavは、人間型ロボットが5時間の歩行データから完全に学習することで、多様な、見えない環境を横断することを可能にするシステムである。 拡散モデルは、過去の軌跡に条件付けられた可塑性将来の軌跡の分布、色、深さ、意味を融合した360度視覚記憶、凍結したDINOv3バックボーンからの映像特徴の分布を予測する。 データセットとトレーニングされたモデルをリリースします。
  論文  参考訳（メタデータ） (2026-04-01T02:59:42Z)
• Synthesizing the Kill Chain: A Zero-Shot Framework for Target Verification and Tactical Reasoning on the Edge [12.201060368447251]
  本稿では,コンパクトな視覚言語モデル(VLM)を用いた軽量物体検出を実現する階層型ゼロショットフレームワークを提案する。 我々は,このパイプラインを,偽陽性フィルタリング(100%精度),損傷評価(97.5%),きめ細かい車両分類(55-90%)の3つのタスクで,バトルフィールド6の55個の高忠実合成ビデオ上で評価した。
  論文  参考訳（メタデータ） (2026-02-10T23:00:19Z)
• DrivePI: Spatial-aware 4D MLLM for Unified Autonomous Driving Understanding, Perception, Prediction and Planning [94.62097655403683]
  本稿では,ビジョン・ランゲージ・アクション統合フレームワークとして機能する空間認識型4次元MLLMであるDrivePIを提案する。 提案手法は,空間的理解,3次元知覚,予測(占有フロー),計画(行動出力)を並列に行う。 MLLMのバックボーンとして0.5BのQwen2.5モデルしか持たず、単一の統一モデルとしてのDrivePIは既存のVLAモデルと特殊VAモデルの両方を上回るか、あるいは超える。
  論文  参考訳（メタデータ） (2025-12-14T18:45:54Z)
• Autonomous AI Bird Feeder for Backyard Biodiversity Monitoring [0.0]
  本稿では,ベルギーの都市庭園における自律型裏庭鳥監視システムについて,低コストで検討する。 モーショントリガIPカメラがFTP経由でショートクリップをローカルサーバにアップロードし、フレームがサンプリングされ、鳥がDectron2でローカライズされる。 次に、収穫された領域は、より大きなKaggleコーパスから派生した40種のベルギーのサブセットに調整された効率的なNet-B3モデルによって分類される。
  論文  参考訳（メタデータ） (2025-08-13T00:27:22Z)
• Are Multimodal Large Language Models Ready for Omnidirectional Spatial Reasoning? [66.88619941063048]
  MLLM(Multimodal large language model)は全方向空間推論に対応しているのか? OSR-Benchはこの設定のために特別に設計された最初のベンチマークである。 高忠実度パノラマ屋内シーンマップには、153,000以上の多様な質問応答ペアが含まれている。 GPT-4o, Gemini 1.5 Proを含む8つの最先端MLLMを評価し, ゼロショット設定で主要なオープンソースモデルを評価した。
  論文  参考訳（メタデータ） (2025-05-17T08:48:40Z)
• WEDGE: A multi-weather autonomous driving dataset built from generative vision-language models [51.61662672912017]
  本稿では,視覚言語生成モデルを用いて生成した合成データセットWEDGEを紹介する。 WEDGEは16の極度の気象条件で3360枚の画像で構成され、16513個の境界ボックスを手動で注釈付けしている。 53.87%の検定精度と45.41mAPで分類・検出のためのベースライン性能を確立した。
  論文  参考訳（メタデータ） (2023-05-12T14:42:47Z)
• SVFormer: Semi-supervised Video Transformer for Action Recognition [88.52042032347173]
  SVFormerは、未ラベルの動画サンプルに対処するために、安定した擬似ラベルフレームワークを採用する。 さらに,ビデオの複雑な時間変動をカバーするための時間ゆらぎを提案する。 特にSVFormerは、Kinetics-400の1%のラベル付け率でトレーニングエポックを減らし、最先端の技術を31.5%上回っている。
  論文  参考訳（メタデータ） (2022-11-23T18:58:42Z)
• VISTA: Boosting 3D Object Detection via Dual Cross-VIew SpaTial Attention [32.44687996180621]
  VISTA(Dual Cross-VIew Spatial Attention)を用いて,グローバル空間コンテキストにおける多視点特徴を適応的に融合する手法を提案する。 The proposed VISTA is a novel plug-and-play fusion module, where in the multi-layer perceptron widely adopted in standard attention module is replaced to a convolutional。 提案手法は,全mAPの63.0%,NDSの69.8%をnuScenesベンチマークで達成し,自転車などの安全基準カテゴリーの最大24%を達成している。
  論文  参考訳（メタデータ） (2022-03-18T02:34:59Z)

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。