論文の概要: Losing the name before the box: measuring and repairing what narrow fine-tuning costs a detector outside its deployment vocabulary

• arxiv url: http://arxiv.org/abs/2609.36426v1
• Date: Tue, 29 Sep 2026 00:36:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.078412
• Title: Losing the name before the box: measuring and repairing what narrow fine-tuning costs a detector outside its deployment vocabulary
• Title（参考訳）: 箱の前に名前を失くす:狭い細い調整が、その展開語彙の外側にある検出器のコストを計測し、修復する
• Abstract要約: 広いコーパスで事前訓練された検出器は、狭いドメインで微調整され、そのドメイン内の精度が向上し、出荷される。 我々は、オブジェクトのカバレッジに何が起こるのかを問う。語彙は決して名前をつけず、障害物検出と検査を改善する。 1つの事前訓練されたチェックポイントは、それぞれの微調整された子孫に対するものである。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: A detector pretrained on a broad corpus is fine-tuned on a narrow domain, its in-domain accuracy improves, and it ships. We ask what happens meanwhile to its coverage of objects the vocabulary never names, which in obstacle detection and inspection carry the risk. No in-domain test set holds an example of one. We give a longitudinal protocol: one pretrained checkpoint against its own fine-tuned descendants. It tracks held-out top-$K$ proposal coverage $C_τ$: of categories pretraining covered and the vocabulary omits, the share of boxes a detector's top $K$ regions still cover. The quantity is the open-world proposal literature's; the longitudinal reading is not. $C_τ$ falls while in-domain accuracy rises, on four architectures and three domains, by $5.12$ to $63.35$ points on boxes above $1024$ px$^2$. No in-domain number identifies the fall, and neither does detection average precision, which charges a missed and a misnamed box alike. On the one architecture scoring both, adaptation costs $87\%$ of the AP against a fifth of the coverage, and the naming goes first at all six depths of its freeze ladder, every run. What breaks is structured: three architectures sharing no pretraining run agree on which categories lose coverage, and those a model never learned do not lose any. A repair follows and needs no training: mixing a quarter of the pretrained state back, normalisation statistics included, raises coverage on every cell swept for at most $2.47$ points of in-domain accuracy. Seeing it costs one extra evaluation pass.
• Abstract（参考訳）: 広いコーパスで事前訓練された検出器は、狭い領域で微調整され、ドメイン内の精度が向上し、出荷される。 我々は、オブジェクトのカバレッジに対して何が起こるのかを問う。語彙は決して名前をつけず、障害物検出や検査ではリスクが伴う。 ドメイン内のテストセットにはその例がない。 1つの事前訓練されたチェックポイントは、それぞれの微調整された子孫に対するものである。 C_τ$: 事前訓練対象のカテゴリーと語彙省略、検出器の上位K$領域のシェアがまだカバーされている。 量はオープンワールド・プロポーザル文学の量であり、縦に読めない。 C_τ$は4つのアーキテクチャと3つのドメインにおいて、1024ドルのpx$^2$を超えるボックス上の5.12$から63.35$ポイントのドメイン内精度が上昇する間に低下する。 ドメイン内の番号は転倒を識別せず、平均的な精度も検出できない。 どちらのアーキテクチャも、適用費用はAPの5分の1に対して$87\%で、その命名は、そのフリーズはしごの6つの深さ、すなわち毎回行われる。 事前トレーニングを行わない3つのアーキテクチャは、どのカテゴリがカバレッジを失うのか、そしてモデルが決して学ばないものは、何も損なわないかに合意する。 事前訓練された状態の4分の1を混合し、正規化統計を含み、少なくとも2.47ドルのドメイン内精度で全てのセルをカバーできる。 追加評価パスが1つ必要だ。

関連論文リスト

• The Undetected Damage of Quantization on Retrieval and How to Fix It [51.02977749156532]
  分類精度を保った量子モデルでは,トップ1検索結果の14ドルから46%の値がまだ変化していることを示す。 この失敗を2つの上位モデルスコア間のギャップに結び付け、そのギャップを使用して、定量化された回答をいつ信頼するかを決めます。 この差が最大の丸め誤差の2倍を超える場合にのみ、トップ1結果が量子化を継続することが保証されていることを示す。
  論文  参考訳（メタデータ） (2026-09-21T09:26:35Z)
• RiPPLE: Cross-Space Performance Prediction from Early Training for Neural Architecture Search [9.443798158626539]
  我々は、小さなアンカーのカバレッジセットのためのラベルのソースとして部分トレーニングを扱うRiPPLEを紹介した。 RiPPLEはこれらのアンカーを早期のプレフィックスに訓練し、ラベルをサロゲートするために学習曲線を外挿し、ラベルのないアーキテクチャ機能よりもラベルを伝播する。 探索空間の4つのファミリーとより大きなDARTS空間の12個のベンチマークセルについて評価を行った。
  論文  参考訳（メタデータ） (2026-09-11T04:12:18Z)
• Everything in Moderation: Per-Domain Coverage Optima and Alignment-Resistant Domain Gaps in Multi-Domain Mid-Training [2.5954303305216095]
  5つのドメインにまたがる30のアロケーションをトレーニングし、24のスイープ構成と6つのアロケーションをフィットから保持します。 どのドメインも内部カバレッジが最適である。 訓練中のみの精度でカバーが崩壊することはない。
  論文  参考訳（メタデータ） (2026-09-08T17:31:38Z)
• Optimal Recovery Meets Bayesian Learning: Where Worst-Case Bounds Pay Off [0.0]
  最悪の最適回復(OR)とベイズ学習(Bayesian learning)は、2つの語彙で同じガウス・クアドラティック・ヒルベルト問題を記述する。 我々は、最悪のケースサイドが支払う3つのベイズシステムの中で測定する。
  論文  参考訳（メタデータ） (2026-08-29T01:47:05Z)
• In-Cell Learning: Deployed Language Models Can Learn New Knowledge Without Changing a Single Stored Bit [4.726337413307433]
  4ビットのリリースでは、各重みを整数コードと共有スケールとして格納し、格納された値の間に量子化器が捨てる間隔を残していることを示す。 私たちは、新しい知識をそのインターバルに書き込むパラダイムを、インセルラーニングと呼ぶ。 CellFillは、内部の低ランクの位置をベンダー自身の4ビットリリースでトレーニングすることで、構築によってパラダイムを実現する。
  論文  参考訳（メタデータ） (2026-08-21T08:49:07Z)
• LAB-Det: Language as a Domain-Invariant Bridge for Training-Free One-Shot Domain Generalization in Object Detection [53.988759250627425]
  物体検出のための訓練不要なワンショット領域一般化を提案する。 我々は各例を、凍結検知器を条件付けし誘導する記述テキストに投影する。 UODD (underwater) と NEU-DET (industrial defects) についての検討
  論文  参考訳（メタデータ） (2026-02-06T08:03:04Z)
• Prototypical Distillation and Debiased Tuning for Black-box Unsupervised Domain Adaptation [78.50990190076232]
  教師なしドメイン適応は、関連するラベルに富んだソースドメインからラベルのないターゲットドメインに知識を転送することを目的としている。 本稿では,ブラックボックスドメイン適応(Black-box domain adapt)と呼ばれる新しい設定を提案する。 我々は、$textbfPro$totypical $textbfD$istillationと$textbfD$ebiased tun$textbfing$という2段階のフレームワークを開発している。
  論文  参考訳（メタデータ） (2024-12-30T02:48:34Z)
• Three ways to improve feature alignment for open vocabulary detection [88.65076922242184]
  ゼロショットオープンボキャブラリ検出の鍵となる問題は、視覚的特徴とテキスト的特徴の整合性である。 以前のアプローチでは、特徴ピラミッドと検出ヘッドをゼロからトレーニングし、事前トレーニング中に確立された視覚テキストの特徴アライメントを壊す。 本稿では,これらの問題を緩和する3つの方法を提案する。まず,テキストの埋め込みを強化するための簡単なスキームを用いて,学習中に見られる少数のクラスへの過度な適合を防止する。 次に、特徴ピラミッドネットワークと検出ヘッドをトレーニング可能なショートカットを含むように変更する。 最後に、より大きなコーパスを活用するために、自己学習アプローチが使用される。
  論文  参考訳（メタデータ） (2023-03-23T17:59:53Z)
• WR-ONE2SET: Towards Well-Calibrated Keyphrase Generation [57.11538133231843]
  キーワード生成は、入力文書を要約する短いフレーズを自動的に生成することを目的としている。 最近登場したONE2SETパラダイムは、キーフレーズをセットとして生成し、競争性能を達成した。 本稿では, ONE2SET を拡張した WR-ONE2SET を提案する。
  論文  参考訳（メタデータ） (2022-11-13T09:56:24Z)
• Contrastive Learning and Self-Training for Unsupervised Domain Adaptation in Semantic Segmentation [71.77083272602525]
  UDAはラベル付きソースドメインからラベルなしターゲットドメインへの効率的な知識伝達を試みている。 本稿では,領域にまたがるカテゴリ別センタロイドを適応させるコントラスト学習手法を提案する。 提案手法を自己学習で拡張し,メモリ効率の良い時間アンサンブルを用いて一貫性と信頼性の高い擬似ラベルを生成する。
  論文  参考訳（メタデータ） (2021-05-05T11:55:53Z)

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。