論文の概要: PoE-Fuse: Precision-Weighted Expert Fusion for Bi-Temporal Change Understanding

• arxiv url: http://arxiv.org/abs/2609.37485v1
• Date: Sun, 27 Sep 2026 14:13:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-30 21:28:47.522639
• Title: PoE-Fuse: Precision-Weighted Expert Fusion for Bi-Temporal Change Understanding
• Title（参考訳）: PoE-Fuse: 双方向変化理解のための高精度エキスパートフュージョン
• Abstract要約: 本稿では, 凍結基盤の専門家による幾何学, 接地, 言語を構成するパラメータ効率のよいフレームワークPoE-Fuseを提案する。 PoE-Fuseは、一致した特徴を潜伏したシーン状態のガウス的な観察として扱い、学習したセルごとの精度でそれらを融合させる。 1つの共有トランクは3つのタスクを一度に解き、平均F1は59.2%に達した。
• 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: Bi-temporal change understanding, which localizes and characterizes what changed between two satellite images, is central to disaster response and environmental monitoring, spanning change detection, building localization, and damage assessment. Strong vision-language models address these tasks, but adapting them typically requires full fine-tuning or reinforcement learning, which is costly and unstable. We propose PoE-Fuse, a parameter-efficient framework that instead composes frozen foundation experts for geometry, grounding, and language, resampling their features onto a shared spatial grid and training only a lightweight fusion trunk. PoE-Fuse treats the aligned features as Gaussian observations of a latent scene state and fuses them by learned per-cell precision. This product-of-experts estimator strictly generalizes uniform summation and scalar gating, and extends to change fields by composing the precisions of the two timestamps. A single shared trunk solves the three tasks at once, reaching a mean F1 of 59.2%, compared with 40.7% for an instruction-tuned temporal vision-language assistant, and surpassing dedicated change-detection models retrained under the same protocol and training budget.
• Abstract（参考訳）: 2つの衛星画像間の変化をローカライズし特徴付けるバイテンポラルな変化理解は、災害対応と環境モニタリングの中心であり、変化検出、ビルのローカライゼーション、損傷評価である。 強力な視覚言語モデルはこれらのタスクに対処するが、それらを適応するためには通常、コストが高く不安定な完全な微調整や強化学習を必要とする。 パラメータ効率のよいフレームワークであるPoE-Fuseを提案し、その代わりに、幾何学、接地、言語に関する凍結基盤の専門家を構成し、それらの特徴を共有空間グリッドに再サンプリングし、軽量な融合トランクのみを訓練する。 PoE-Fuseは、一致した特徴を潜伏したシーン状態のガウス的な観察として扱い、学習したセルごとの精度でそれらを融合させる。 この経験積推定器は、一様和とスカラーゲーティングを厳密に一般化し、2つのタイムスタンプの精度を構成して変化場に拡張する。 1つの共有トランクは3つのタスクを一度に解決し、平均F1は59.2%に達し、命令調整された時間的視覚言語アシスタントでは40.7%、同じプロトコルとトレーニング予算の下でトレーニングされた専用の変更検出モデルを上回っている。

関連論文リスト

• FoundationGeo: Learning Spatial Pixel-Wise Fields for Monocular Metric Geometry [52.232826445242644]
  FoundationGeoは空間キャリブレーションと原則データ設計による相対的および計量的予測を橋渡しする。 ステージ1は DINOv3 で初期化することで高忠実なアフィン不変幾何モデルを学ぶ。 ステージ2は、メートル法推定のためのピクセルワイドキャリブレーションフィールドを導入することで、グローバルなスケーリングを越えている。
  論文  参考訳（メタデータ） (2026-07-13T14:10:01Z)
• Dual-branch Distilled Transformer for Efficient Asymmetric UAV Tracking [34.13651852483772]
  EATrackは教師が指導するUAV追跡のための二重分岐蒸留戦略である。 生徒に強い対象表現を学習させることで、表現の弱さを補う。 5つのUAVベンチマークの実験では、EATrackは精度と速度のバランスが良好であることが示されている。
  論文  参考訳（メタデータ） (2026-05-27T06:20:13Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• ECTO: Exogenous-Conditioned Temporal Operator for Ultra-Short-Term Wind Power Forecasting [0.06015898117103066]
  我々は風力予測のための統一的な枠組みとしてECTO(Exogenous-Conditioned Temporal Operator)を提案する。 PGVS (Physically-Grounded Variable Selection) は階層的でグループ対応のスパース選択を行う。 Exogenous-Conditioned Regime Refinement (ECRR) は、学習体制の専門家を通じて予測をルーティングする。
  論文  参考訳（メタデータ） (2026-05-12T14:37:23Z)
• MemOVCD: Training-Free Open-Vocabulary Change Detection via Cross-Temporal Memory Reasoning and Global-Local Adaptive Rectification [25.164480665248792]
  Open-vocabulary Change Detectionは、定義済みのカテゴリを使わずに、両時間的リモートセンシング画像の意味的変化を特定することを目的としている。 本稿では,時間外メモリ推論とグローバル局所適応補正に基づく学習自由なオープン語彙変化検出フレームワークであるMemOVCDを提案する。
  論文  参考訳（メタデータ） (2026-04-29T15:05:37Z)
• Self-Promoted Supervision for Few-Shot Transformer [178.52948452353834]
  SUN(Self-promoted sUpervisioN)は視覚変換器(ViT)のための数発の学習フレームワークである SUNは、数ショットの学習データセットでViTを事前トレーニングし、各パッチトークンを導くために、個別のロケーション固有の監視を生成する。 実験によると、ViTを使ったSUNは、ViTを使った他の数発の学習フレームワークを大幅に上回っており、CNNの最先端技術よりも高いパフォーマンスを実現している。
  論文  参考訳（メタデータ） (2022-03-14T12:53:27Z)
• Robust Self-Supervised LiDAR Odometry via Representative Structure Discovery and 3D Inherent Error Modeling [67.75095378830694]
  そこで我々は,2段階のオドメトリ推定ネットワークを構築し,一連の部分領域変換を推定してエゴモーメントを求める。 本稿では,トレーニング,推論,マッピングフェーズにおける信頼できない構造の影響を軽減することを目的とする。 我々の2フレームのオードメトリーは、翻訳/回転誤差の点で、過去の芸術の状態を16%/12%上回っている。
  論文  参考訳（メタデータ） (2022-02-27T12:52:27Z)

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。