論文の概要: Repair Before You Fuse: Frozen-Host Adaptation for Corrupted-but-Present Sensors
- arxiv url: http://arxiv.org/abs/2609.35264v1
- Date: Mon, 28 Sep 2026 14:22:00 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-02 07:03:25.349516
- Title: Repair Before You Fuse: Frozen-Host Adaptation for Corrupted-but-Present Sensors
- Title（参考訳）: 壊れる前に修理する: 故障したけど最新のセンサーのための冷凍湯の適応
- Abstract要約: カメラ-LiDAR検出器は、両方のセンサーが存在し、同期され、校正されたままでも、信頼性の低い特徴を消費し続けることができる。
EmphBoundary Feature repair (BFR) は、検出器が既に消費しているモダリティインタフェースでタスク教師付き残差補正を学習するフレームワークである。
- 参考スコア（独自算出の注目度）: 0.1199955563466263
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Camera-LiDAR detectors can continue to consume unreliable features even when both sensors remain present, synchronized, and calibrated. We introduce \emph{Boundary Feature Repair} (BFR), a frozen-host adaptation framework that learns task-supervised residual corrections at modality interfaces the detector already consumes. BFR-C repairs each camera feature level read by fusion, whereas BFR-L aligns host-conditioned LiDAR candidates to a selected boundary and routes site-wise innovations relative to the frozen anchor. Their jointly trained composition is BFR-CL. Zero-initialized per-channel scales make every variant an exact detector-level identity before optimization; only the repair modules train, while the encoders, fusion consumer, router, detection head, and host normalization statistics remain fixed. At inference, BFR requires neither clean references, corruption metadata, temporal history, nor online updates. Across the complete 20-corruption, five-severity KITTI-C grid, BFR-C reduces RCE from $14.07$ to $11.92$ on MVX-Net and from $14.29$ to $11.00$ on Focals Conv-F relative to their reproduced frozen baselines. On the latter host, BFR-L raises AP$_{\mathrm{cor}}$ from $73.65$ to $74.48$, while BFR-CL reaches $77.01$ AP$_{\mathrm{cor}}$ and $10.46$ RCE with $86.02$ clean AP. On nuScenes-R, BFR-CL raises the reproduced MoME baseline's mAP robustness ratio from $80.1$ to $81.4$. These results establish boundary repair as a targeted retrofit for corrupted-but-present sensing without retraining the deployed detector.
- Abstract（参考訳）: カメラ-LiDAR検出器は、両方のセンサーが存在し、同期され、校正されたままでも、信頼性の低い特徴を消費し続けることができる。
我々は,すでに使用しているモダリティインタフェースにおいて,タスク管理された残差補正を学習するフリーズホスト適応フレームワークであるemph{Boundary Feature repair} (BFR)を紹介した。
BFR-Cは核融合により読み取られた各カメラの特徴レベルを修復する一方、BFR-Lはホスト条件のLiDAR候補を選択された境界に整列させ、凍結アンカーに対するサイトワイズイノベーションをルートする。
共同で訓練された組成物はBFR-CLである。
ゼロ初期化(ゼロ初期化)されたチャネルごとのスケールは、全ての変種を最適化前に正確な検出器レベルのアイデンティティにするが、修理モジュールのみは訓練するが、エンコーダ、フュージョンコンシューマ、ルータ、検出ヘッド、ホスト正規化統計は固定されている。
推測では、BFRはクリーンな参照、汚職メタデータ、時間履歴、オンライン更新を必要としない。
20の完全な破壊と5重のKITTI-Cグリッドにより、BFR-CはRCEを14.07ドルから11.92ドルに減らし、MVX-Netでは14.29ドルから11.00ドルに減らした。
後者のホストでは、BFR-LがAP$_{\mathrm{cor}}$を73.65ドルから74.48ドルに引き上げ、BFR-CLが77.01ドル、AP$_{\mathrm{cor}}$が10.46ドル、クリーンAPが86.02ドルに引き上げた。
nuScenes-Rでは、BFR-CLは再生したMoMEベースラインのmAPロバストネス比を80.1$から81.4$に上げる。
これらの結果から, 埋設検出器の再訓練を伴わずに, 破損検出を目標としたリファインダとしてのバウンダリ修復が確立された。
関連論文リスト
- ReNFT: Repairing Mode Collapse in Reward Post-Training via Internal Probability-Mass Recalibration [84.10540890311843]
再学習後、必然的に確率質量をいくつかの報奨モード、即時多様性を消去するモード崩壊に集中させる。
本稿では、内部の確率質量再校正により、高逆低ダイバーシティアダプタを修復するReNFTを提案する。
PickScoreとGenEvalでは、ReNFTはNFTの報酬の98.9%と99.0%を保持し、DreamSim-Divは58.8%、55.0%改善している。
論文 参考訳（メタデータ） (2026-08-30T14:13:50Z) - The Multipath Blind Spot: $K$-Agnostic Robust Calibration for Sparse-Anchor Metric Depth from Frozen Foundations [1.3048920509133808]
既存のスパースアンカーキャリブレーション法では、アンカーがきれいであると仮定している。
その結果, 既存のCFAキャリブレーション法は, 異常値の下で崩壊することがわかった。
MRAC(Multipath-Robust Anchor)を提案する。
論文 参考訳（メタデータ） (2026-07-05T03:42:21Z) - RayTun3R: Online Camera Adaptation in 3D Foundation Models [53.97305597591864]
最近の3Dファウンデーションモデルは、強力なフィードフォワード深度を提供し、ピンホールのイメージを推定するが、魚眼カメラ幾何学の下では鋭く劣化する。
この失敗は、事前訓練された3次元基礎モデルの位置符号化におけるピンホールカメラバイアスによってもたらされることを示す。
軽量カメラ適応手法であるRayTun3Rを提案する。
論文 参考訳（メタデータ） (2026-07-02T18:55:35Z) - RRISE: Robust Radius Inference via a Surrogate Estimator [30.521314184750867]
我々はRSフレームワークRRISEを導入し、認証を学習したサロゲートを1つのフォワードパスに圧縮する。
CIFAR-100とTiny ImageNetでは、唯一のオフラインサロゲート方式が崩壊し、RRISEは1.23ドルから1.91タイムスを高い精度で達成した。
論文 参考訳（メタデータ） (2026-06-01T20:46:06Z) - GenAI-FDIA: Physics-Informed Generative Models for False Data Injection Attacks [0.5729426778193398]
電力系統に対する偽データ注入攻撃(FDIA)の訓練と評価は、データ不足によって制限される。
物理対応FDIA合成のためのP=20$アーキテクチャのプールをベンチマークするフレームワークであるtextscGenAI-FDIAを提案する。
論文 参考訳（メタデータ） (2026-05-15T19:51:08Z) - Correction and Corruption: A Two-Rate View of Error Flow in LLM Protocols [51.56484100374058]
そこで本研究では,単一プロトコルステップを正確なマッチングタスクで監査するためのペアアウトカム計測インタフェースを提案する。
各インスタンスについて、インターフェースはベースラインの正当性ビットと後ステップの正当性ビットを記録する。
これらのレートは精度の変化を予測し、種、混合物、パイプライン間でテスト可能な再利用可能な経験的インターフェースを定義する。
論文 参考訳（メタデータ） (2026-04-20T13:25:40Z) - Robustness, Cost, and Attack-Surface Concentration in Phishing Detection [0.0]
設計されたウェブサイト上に構築されたフィッシング検出器は、i.d.評価の下でほぼ完璧な精度で機能する。
我々はこのギャップを、明示的な攻撃予算の下で個別の単調な特徴編集をモデル化するコスト認識回避フレームワークを通じて研究する。
論文 参考訳（メタデータ） (2026-03-19T17:53:32Z) - Does Continual Learning Equally Forget All Parameters? [55.431048995662714]
連続学習(CL)における分散シフト(タスクやドメインシフトなど)は通常、ニューラルネットワークを壊滅的に忘れてしまう。
ニューラルネットワークのどのモジュールが、CL中のトレーニングダイナミクスを調査することによって忘れやすいかを検討する。
CL中に周期的にトリガされるFPFの1段階ごとのリプレイを完全に取り除き,わずか$k$で置き換える,より効率的でシンプルな手法を提案する。
論文 参考訳（メタデータ） (2023-04-09T04:36:24Z) - Tamed Warping Network for High-Resolution Semantic Video Segmentation [14.553335231691877]
我々はキーフレーム以外のCNNを構築し、現在の空間的詳細と歪んだコンテキスト特徴を融合させる。
特徴の融合に基づいて、私たちのContext Feature Rectification(CFR)モジュールは、フレームごとのモデルの違いを学習し、歪んだ特徴を修正する。
我々のResidual-Guided Attention(RGA)モジュールは圧縮された領域の残余マップを利用して、CRFがエラーを起こしやすい領域にフォーカスするのを助ける。
論文 参考訳（メタデータ） (2020-05-04T09:36:03Z)
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。