論文の概要: CE$^4$L: Continual Ego, Exo, and Ego-Exo Learning

• arxiv url: http://arxiv.org/abs/2609.23492v1
• Date: Sun, 20 Sep 2026 09:27:28 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:00.838078
• Title: CE$^4$L: Continual Ego, Exo, and Ego-Exo Learning
• Title（参考訳）: CE$4$L:連続エゴ・エクソ・エゴ・エクソ学習
• Abstract要約: 本研究では,4つのタスクにまたがる多視点CLベンチマークであるContinual Ego,Exo,Ego-Exo Learning (CE$4$L)を紹介する。 CE$4$Lは、クロスビュー対応、ビュー依存非同期、セマンティックな目的など、以前のCLベンチマークにほとんど欠けている課題を強調している。 本稿では,タスク固有の更新を軽量なアダプタに格納するパラメータ効率の高いベースライン手法であるVISTAを提案する。
• 参考スコア（独自算出の注目度）: 30.649614333254224
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Perception for embodied agents is video-based, often multi-view (ego, exo, or both), and inherently continual, with simultaneous task and viewpoint shifts. Yet continual learning (CL) remains dominated by exo-only recognition tasks, obscuring behavior under these real-world coupled shifts. We introduce Continual Ego, E}xo, and Ego-Exo Learning (CE$^4$L), a unified multi-view CL benchmark spanning four representative tasks: cross-view referenced skill assessment, temporal action segmentation, cross-view association, and action anticipation & planning. CE$^4$L highlights challenges largely absent in prior CL benchmarks, including cross-view correspondence, view-dependent asynchrony, and heterogeneous semantic objectives. To this end, we propose Video Incremental Subspace-routed Task Adapters (VISTA), a parameter-efficient baseline method that stores task-specific updates in lightweight adapters and performs training-free routing via residual distance to task-specific whitened subspaces estimated from second-order statistics. Extensive experiments demonstrate the significantly varied efficacy of representative CL methods across CE$^4$L settings, while VISTA is consistently competitive and achieves state-of-the-art overall performance. Our source code for benchmarks and methods is available at https://github.com/AnAppleCore/CE4L .
• Abstract（参考訳）: エンボディエージェントの知覚は、ビデオベースであり、しばしばマルチビュー(ego、exo、または両方)であり、本質的に連続的であり、同時タスクと視点シフトがある。 しかし、継続学習(CL)は、これらの現実世界の結合したシフトの下での振る舞いを無視する、外部のみの認識タスクに支配され続けている。 本研究では,クロスビュー参照スキルアセスメント,時間的アクションセグメンテーション,クロスビューアソシエーション,アクション予測と計画という4つのタスクにまたがる多視点CLベンチマークであるContinual Ego,E}xo,Ego-Exo Learning(CE$4$L)を紹介する。 CE$4$Lは、クロスビュー対応、ビュー依存の非同期性、異種意味目的など、以前のCLベンチマークにほとんど欠けている課題を強調している。 そこで本研究では,タスク固有の更新を軽量なアダプタに格納するパラメータ効率の高いベースライン手法であるVISTA(Video Incremental Subspace-routed Task Adapters)を提案する。 CE$^4$L設定における代表CL法の有効性は,VISTAは一貫して競争力があり,総合的な性能を達成している。 ベンチマークとメソッドのソースコードはhttps://github.com/AnAppleCore/CE4L で公開されています。

関連論文リスト

• DeCo: Efficient Decouple-to-Couple Learning for Multi-Task Visual Grounding [60.19375952029603]
  マルチタスクの視覚的接地には、言語意味論を共同で理解し、正確な視覚的局所化とセグメンテーションを行うモデルが必要である。 効率的な $textbfDe$couple-to-$textbfCo$uple 学習フレームワークである $textbfDeCo$を紹介します。 DeCoは、自然とリモート両方のベンチマーク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） (2026-09-21T10:58:55Z)
• TwinICL: Diagnosing Multimodal In-Context Learning through Paired Counterfactuals [49.800443965874756]
  インコンテキスト学習(ICL)は、モデルがデモからタスクを推論することを可能にする。 既存のベンチマークでは、モダリティ間でICLのパフォーマンスを比較するのに必要なテキストと画像のバージョンが一致していないのが一般的である。 我々は、プロシージャで生成されたベンチマークであるTwinICLを紹介し、このようなペアを制御された比較のために提供する。
  論文  参考訳（メタデータ） (2026-09-14T04:42:42Z)
• DRDN: Decoupled Representation Dynamic Network for From-Scratch ViT Class-Incremental Learning [6.097306160389619]
  クラスインクリメンタルラーニング(CIL)のための動的拡張手法は、専用トークンや計算作業でタスク固有の知識を保護する。 我々は、主に現在のタスクデータに対する逐次トレーニングからのクロスタスクの混乱と、バックボーン内の過度に最適化された共有表現の2つの課題を特定する。 本稿では,2つのメカニズムを通じてこれらの課題に対処する解答表現動的ネットワーク(DRDN)を提案する。
  論文  参考訳（メタデータ） (2026-07-02T02:57:58Z)
• StrLoRA: Towards Streaming Continual Visual Instruction Tuning for MLLMs [9.912407135967836]
  本稿では,タスクの動的混合を含むデータチャンクのストリームからモデルを学習するStreaming CVIT(StrCVIT)を紹介する。 StrCVITでは、モデルは同時に新しい能力を取得し、繰り返し能力を強化し、忘れなければならない。 正規化された2段階のエキスパートルーティングフレームワークであるStrLoRAを提案する。
  論文  参考訳（メタデータ） (2026-05-08T06:16:37Z)
• CLIP-Guided Adaptable Self-Supervised Learning for Human-Centric Visual Tasks [76.00315860962885]
  CLASP (CLIP-guided Adaptable Self-su Pervised Learning) は、人中心視覚タスクにおける教師なし事前学習のための新しいフレームワークである。 CLASPは強力な視覚言語モデルCLIPを利用して、低レベル(体の部分など)と高レベル(属性など)のセマンティックな擬似ラベルを生成する。 MoEはタスク固有のプロンプトに基づいて機能抽出を動的に適応し、潜在的な機能競合を緩和し、転送可能性を高める。
  論文  参考訳（メタデータ） (2026-01-19T15:19:28Z)
• Tracking and Segmenting Anything in Any Modality [75.32774085793498]
  そこで我々はSATAという汎用的なトラッキング・セグメンテーション・フレームワークを提案し、このフレームワークは任意のモダリティ入力でトラッキング・セグメンテーション・サブタスクの広帯域を統一する。 SATAは18の挑戦的なトラッキングとセグメンテーションベンチマークで優れたパフォーマンスを示し、より一般化可能なビデオ理解のための新しい視点を提供する。
  論文  参考訳（メタデータ） (2025-11-22T09:09:22Z)
• Serial Over Parallel: Learning Continual Unification for Multi-Modal Visual Object Tracking and Benchmarking [35.3869415482475]
  既存のプラクティスは、すべてのデータセンサータイプを単一のトレーニング手順で混合し、データ中心の観点から並列パラダイムを構築する。 すべての種類のデータが共存する統一ベンチマークが存在しないため、分離されたベンチマークの評価が強制され、トレーニングとテストの間にテキスト整合性が生じる。 UniBench300と呼ばれる統一ベンチマークは、複数のタスクデータを組み込んで、推論を3つから1つに減らし、時間の消費を27%削減することで、一貫性を橋渡しするために導入された。
  論文  参考訳（メタデータ） (2025-08-14T13:54:04Z)
• Continual Learning for VLMs: A Survey and Taxonomy Beyond Forgetting [70.83781268763215]
  視覚言語モデル(VLM)は、大規模事前学習を活用することで、多様なマルチモーダルタスクにおいて優れたパフォーマンスを実現している。 VLMは、クロスモーダル機能ドリフト、共有アーキテクチャによるパラメータ干渉、ゼロショット機能侵食など、ユニークな課題に直面している。 本調査は、生涯の視覚言語システムを開発する研究者にとって、包括的かつ診断的な基準となることを目的としている。
  論文  参考訳（メタデータ） (2025-08-06T09:03:10Z)
• TACO: Enhancing Multimodal In-context Learning via Task Mapping-Guided Sequence Configuration [14.059809492093043]
  大規模視覚言語モデル(LVLM)の能力を利用するための重要なメカニズムとして,マルチモーダル・インコンテキスト・ラーニング(ICL)が登場した。 ICLシーケンスを動的に構成するタスク認識型アテンションを備えた軽量トランスフォーマーモデルTACOを提案する。 5つのLVLMと9つのデータセットの実験は、TACOが多様なICLタスクのベースラインを一貫して超えることを示した。
  論文  参考訳（メタデータ） (2025-05-21T05:22:21Z)
• Exploiting Task Relationships for Continual Learning Using Transferability-Aware Task Embeddings [8.814732457885022]
  連続学習(CL)は、現代のディープニューラルネットワークアプリケーションにおいて重要なトピックである。 本稿では、H埋め込みと呼ばれるトランスファービリティを考慮したタスク埋め込みを提案し、そのガイダンスに基づいてハイパーネットフレームワークを構築する。
  論文  参考訳（メタデータ） (2025-02-17T09:52:19Z)
• 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)

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。