Fugu-MT 論文翻訳(概要): Match One, Learn with Graph: One-to-Graph Query Collaboration with Backward Sharing for Object Detection

論文の概要: Match One, Learn with Graph: One-to-Graph Query Collaboration with Backward Sharing for Object Detection

arxiv url: http://arxiv.org/abs/2609.26092v1
Date: Thu, 06 Aug 2026 02:35:29 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-28 05:09:55.872867
Title: Match One, Learn with Graph: One-to-Graph Query Collaboration with Backward Sharing for Object Detection
Title（参考訳）: Match One, Learn with Graph: オブジェクト検出のための後方共有による1対グラフクエリの協調
Abstract要約: BS-O2Gは、デコードされた特徴、ボックス、クラス分布からスパース予測対応グラフを構築する。 1-to-Graph(O2G)キャリブレーションは、このグラフ上で相対メッセージを伝搬し、前方パスのクエリエビデンスを統合する。 Backward Sharing (BS)はその変換された分岐を再利用し、永続的なクエリベースベクタ間の勾配をルーティングする。
参考スコア（独自算出の注目度）: 19.207186634808938
License: http://creativecommons.org/licenses/by/4.0/
Abstract: One-to-one (O2O) matching enables Detection Transformers (DETRs) to perform end-to-end set prediction by assigning each object to a single positive query. However, the strongest classification, center, scale, and overlap evidence for an object is often distributed across multiple queries. This mismatch leaves only the matched owner positively supervised for the object, while other evidence-bearing queries receive no box target for it. We term this query knowledge fragmentation. To exploit such complementary evidence without one-to-many supervision, we propose BS-O2G, a plug-in that builds a sparse prediction-aware graph from decoded features, boxes, and class distributions to organize query collaboration in feature and optimization spaces while preserving the original O2O matcher, positive labels, and objective. One-to-Graph (O2G) calibration propagates relative messages over this graph to consolidate query evidence in the forward pass, whereas Backward Sharing (BS) reuses its transposed detached adjacency to route gradients across persistent query basis vectors without changing the decoder input in the forward pass. Experiments across diverse DETR methods, backbones, COCO, and CrowdHuman show consistent gains and faster convergence with negligible parameter/FLOP growth and modest runtime overhead, supporting graph-based query collaboration as an alternative to expanding positive assignments.
Abstract（参考訳）: 1対1(O2O)マッチングにより、検出変換器(DETR)は、各オブジェクトを1つの正のクエリに割り当てることで、エンドツーエンドのセット予測を行うことができる。しかしながら、オブジェクトの最も強い分類、中心、スケール、重複するエビデンスはしばしば複数のクエリに分散している。このミスマッチは、一致した所有者だけがオブジェクトに対して肯定的に監督し、他のエビデンスを含むクエリはそれに対するボックスターゲットを受け取らない。このクエリ知識の断片化を表現します。提案するBS-O2Gは,従来のO2Oマッチング,正のラベル,目的を保ちつつ,特徴,ボックス,クラス分布からスパース予測対応グラフを構築し,特徴空間と最適化空間におけるクエリ協調を整理するプラグインである。 1-to-Graph(O2G)キャリブレーションは、このグラフ上の相対メッセージを伝播し、前方パスにおけるクエリエビデンスを統合する。さまざまなDETRメソッド、バックボーン、COCO、CrowdHumanのさまざまな実験では、パラメータ/FLOP成長の無視とランタイムオーバーヘッドによる一貫性のある向上と高速な収束が示され、グラフベースのクエリコラボレーションが前向きな割り当ての拡張の代替手段としてサポートされている。

関連論文リスト

EAVer: Long-Form Factuality Verification as an End-to-End Agentic Policy [50.665874114632]
我々は、完全な応答レベルの検証ワークフローを統一ポリシーとして制御することを学ぶ、エンドツーエンドのエージェント検証であるEAVerを紹介する。 EAVerはセマンティック関連クレームをグループ化し、信頼に基づいた直接検証やターゲット検索にルートし、コンパクトなインコンテキストメモで検索によって返される証拠を保持する。
論文参考訳（メタデータ） (2026-09-02T21:00:35Z)
GRADRAG: Cross-Component Prompt Adaptation for Coordinated Multi-Agent RAG [0.5566372336864309]
クロスコンポーネント・プロンプト適応のためのフレームワークであるGRADRAGを紹介する。評価者は下流の回答を批判し、証拠を支持し、実行可能なフィードバックを生み出す。 GRADRAGをSQUALITYおよびQMSUMベンチマークで評価した。
論文参考訳（メタデータ） (2026-07-23T13:54:38Z)
Retrieving Minimal and Sufficient Reasoning Subgraphs with Graph Foundation Models for Path-aware GraphRAG [27.22974957852695]
グラフベースの検索強化生成(GraphRAG)は、構造化知識を利用して知識集約推論を支援する。本稿では,事前学習したグラフファウンデーションモデルがクロスドメインレトリバーとして機能するサブグラフを用いて,ユーザクエリに直接応答するGCM-Retrieverを提案する。 GFM-Retrieverは、効率を保ちながら、検索品質と回答生成の両方において最先端の性能を達成する。
論文参考訳（メタデータ） (2026-03-07T12:39:21Z)
GraphCheck: Multipath Fact-Checking with Entity-Relationship Graphs [11.316299961548415]
GraphCheckは、クレームを構造化および体系的な事実チェックのためのエンティティ関連グラフに変換するフレームワークである。 GraphCheckは複雑なシナリオに優れていますが、単純なクレームには必要以上に精巧です。我々はDP-GraphCheckを紹介した。DP-GraphCheckは、直接プロンプトとGraphCheckを適応的に選択するための軽量な戦略セレクタである。
論文参考訳（メタデータ） (2025-02-28T07:06:19Z)
Hydra-SGG: Hybrid Relation Assignment for One-stage Scene Graph Generation [57.69385990442078]
Hydra-SGGは、VG150 (16.0 mR@50)、Open Images V6 (50.1 weighted score)、GQA (12.7 mR@50)を含む複数のデータセット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） (2024-09-16T13:13:06Z)
Semi-DETR: Semi-Supervised Object Detection with Detection Transformers [105.45018934087076]
半教師付き物体検出(SSOD)におけるDETRに基づくフレームワークの解析本報告では,第1次変圧器を用いたエンド・ツー・エンド半教師対象検出器であるSemi-DETRについて述べる。我々の手法は、最先端の手法をクリアマージンで上回る。
論文参考訳（メタデータ） (2023-07-16T16:32:14Z)
Single-Stage Visual Relationship Learning using Conditional Queries [60.90880759475021]
TraCQは、マルチタスク学習問題とエンティティペアの分布を回避する、シーングラフ生成の新しい定式化である。我々は,DETRをベースとしたエンコーダ-デコーダ条件付きクエリを用いて,エンティティラベル空間を大幅に削減する。実験結果から、TraCQは既存のシングルステージシーングラフ生成法よりも優れており、Visual Genomeデータセットの最先端の2段階メソッドを多く上回っていることがわかった。
論文参考訳（メタデータ） (2023-06-09T06:02:01Z)
DETR with Additional Global Aggregation for Cross-domain Weakly Supervised Object Detection [34.14603473160207]
本稿では,クロスドメイン弱教師付き物体検出(CDWSOD)のためのDETRに基づく手法を提案する。我々は、DETR のエンコーダとデコーダはどちらもアテンション機構に基づいており、CDWSOD の可能性が強いと考えている。集約結果、すなわち画像レベルの予測は、ドメインアライメントの弱い監督を自然に利用することができる。
論文参考訳（メタデータ） (2023-04-14T12:16:42Z)
Stacked Hybrid-Attention and Group Collaborative Learning for Unbiased Scene Graph Generation [62.96628432641806]
Scene Graph Generationは、まず与えられた画像内の視覚的コンテンツをエンコードし、次にそれらをコンパクトな要約グラフに解析することを目的としている。まず,モーダル内改良とモーダル間相互作用を容易にする新しいスタック型ハイブリッド・アテンションネットワークを提案する。次に、デコーダを最適化するための革新的なグループ協調学習戦略を考案する。
論文参考訳（メタデータ） (2022-03-18T09:14:13Z)
End-to-End Object Detection with Transformers [88.06357745922716]
本稿では,オブジェクト検出を直接セット予測問題とみなす新しい手法を提案する。我々のアプローチは検出パイプラインを合理化し、手作業で設計された多くのコンポーネントの必要性を効果的に除去する。この新しいフレームワークの主な構成要素は、Detection TRansformerまたはDETRと呼ばれ、セットベースのグローバルな損失である。
論文参考訳（メタデータ） (2020-05-26T17:06:38Z)

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。