論文の概要: ReDiffNet: Differential RGB-Infrared Learning for Low-Light UAV Oriented Vehicle Detection

• arxiv url: http://arxiv.org/abs/2610.05074v1
• Date: Sun, 04 Oct 2026 09:15:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 23:41:27.123105
• Title: ReDiffNet: Differential RGB-Infrared Learning for Low-Light UAV Oriented Vehicle Detection
• Title（参考訳）: ReDiffNet:低照度UAV車両検出のための差動RGB赤外線学習
• Abstract要約: 夜間交通監視,緊急応答,都市検査において,低照度UAVを用いたRGB赤外方向小型車両検出が重要である。 本稿では,モーダリティの信頼性がエビデンスの選択と相補的回復の両方を導く信頼性条件付き微分表現ネットワークReDiffNetを提案する。
• 参考スコア（独自算出の注目度）: 5.239119567717037
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Low-light UAV-based RGB-infrared oriented small-vehicle detection is important for nighttime traffic monitoring, emergency response, and urban inspection. Illumination variations, headlight glare, local shadows, and thermal-response degradation cause spatially varying modality reliability, while the small visual extent of vehicles further weakens boundaries, orientation cues, and thermal responses. Accordingly, selecting trustworthy observations based on local modality reliability while further exploiting complementary discriminative information in regions with ambiguous modality preference is key to constructing effective multimodal representations. Based on this insight, we propose ReDiffNet, a reliability-conditioned differential representation network in which modality reliability guides both evidence selection and complementary recovery. Specifically, degradation-aware reliability learning estimates relative spatial reliability, uncertainty-guided differential recovery exploits cross-modal differences to recover complementary cues in ambiguous regions, and reliability-conditioned reconstruction integrates retained and recovered evidence into a unified representation. ReDiffNet achieves 85.3% and 73.9% mAP50 on DroneVehicle and VEDAI, respectively, supporting its effectiveness.
• Abstract（参考訳）: 夜間交通監視,緊急応答,都市検査において,低照度UAVを用いたRGB赤外方向小型車両検出が重要である。 照明のバリエーション、ヘッドライトのグレア、局所的な影、熱応答の劣化は、空間的に異なるモダリティの信頼性を引き起こす一方、車両の視界の小さな範囲は、境界線、向きの手がかり、熱応答をさらに弱める。 したがって、局所的なモダリティの信頼性に基づいて信頼性の高い観測を選定し、不明瞭なモダリティ嗜好を持つ領域における相補的識別情報をさらに活用することが、効果的なマルチモーダル表現を構築する上で重要である。 この知見に基づいて、モーダリティの信頼性が証拠選択と補完的回復の両方を導く信頼性条件付き微分表現ネットワークReDiffNetを提案する。 具体的には、劣化認識型信頼性学習は相対的な空間的信頼性を推定し、不確実性誘導差分回復は相互モード差を利用して曖昧な領域の相補的手がかりを回復し、信頼性条件付き再構成は保持された証拠と復元された証拠を統一表現に統合する。 ReDiffNetはDroneVehicleとVEDAIでそれぞれ85.3%と73.9%のmAP50を達成した。

関連論文リスト

• FaithIR: Rethinking Infrared Image Super-Resolution from Perceptual Sharpness to Task Relevant Fidelity [50.75932774177958]
  FaithIRは信頼性の高いマシン認識のための忠実な赤外線超解像度フレームワークである。 FLIR-IISR、M3FD、FMBの実験は、強い再構成忠実度、クロスデータセットの一般化、オブジェクト検出とセマンティックセグメンテーションにおける優れた性能を示す。
  論文  参考訳（メタデータ） (2026-08-04T04:23:30Z)
• Differential Analysis of Multispectral Images for Terrain Identification [2.1133150522532493]
  DRIFTは、生スペクトルバンドと耐照帯域比表現を組み合わせた軽量マルチスペクトルフレームワークである。 我々は、無人航空機に搭載されたMicaSense RedEdge-Pカメラを用いて、新しい油対土壌マルチスペクトルデータセット上でDRIFTを評価した。
  論文  参考訳（メタデータ） (2026-07-10T11:57:46Z)
• Guided Diffusion with Distilled Vision-Language Reliability for Aerial Navigation [2.186077977059593]
  3次元UAVナビゲーションのための信頼性を考慮した拡散プランナを提案する。 これは、シーンレベルの信頼性ヒートマップとともに、観測上の軌道生成を条件付ける。 再訓練をせずに、目に見えない環境に一般化するため、2段階のESDFコストでデノナイズ処理を行う。
  論文  参考訳（メタデータ） (2026-06-11T20:18:34Z)
• Alignment-Aware and Reliability-Gated Multimodal Fusion for Unmanned Aerial Vehicle Detection Across Heterogeneous Thermal-Visual Sensors [6.686898063543218]
  本研究は,Registration-Aware Guided Image Fusion (RGIF)とReliability-Gated Modality-Attention Fusion (RGMAF)の2つの融合戦略を紹介する。 RGIFは拡張相関係数(ECC)ベースのアフィン登録とガイドフィルターを組み合わせて熱塩分濃度を維持しながら構造的詳細を増強する。 RGMAFは、アフィンと光フローの登録と、熱コントラストと視覚的シャープネスを適応的にバランスさせる信頼性の高い注意機構を統合する。
  論文  参考訳（メタデータ） (2026-03-09T10:39:26Z)
• RaUF: Learning the Spatial Uncertainty Field of Radar [2.6853734738584047]
  ミリ波レーダーは、悪天候に特有の利点を提供するが、空間の忠実度が低く、方位の曖昧さが強く、乱れによって引き起こされる引き起こされるリターンに悩まされる。 本稿では,レーダ計測を物理的に基底とした異方性特性によってモデル化する空間不確実性学習フレームワークであるRaUFを提案する。 相反する特徴-ラベル間のマッピングを解決するために、細粒度不確実性を学ぶ異方性確率モデルを設計する。
  論文  参考訳（メタデータ） (2026-03-01T10:10:43Z)
• Rethinking Diffusion Model-Based Video Super-Resolution: Leveraging Dense Guidance from Aligned Features [51.5076190312734]
  ビデオ超解法アプローチは、エラーの蓄積、空間的アーティファクト、知覚的品質と忠実さのトレードオフに悩まされる。 ビデオ超解像(DGAF-VSR)に適した特徴を持つ新しい誘導拡散モデルを提案する。 合成および実世界のデータセットの実験では、DGAF-VSRがVSRの重要な側面において最先端の手法を超越していることが示されている。
  論文  参考訳（メタデータ） (2025-11-21T03:40:45Z)
• Flare-Aware Cross-modal Enhancement Network for Multi-spectral Vehicle Re-identification [29.48387524901101]
  厳しい環境下では、RGBとNIRモダリティの非ネイティブな手がかりは、車両のランプや日光からの強いフレアによってしばしば失われる。 フレア崩壊したRGBとNIRの特徴をフレア免疫熱赤外スペクトルから誘導して適応的に復元するフレア・アウェア・クロスモーダル・エンハンスメント・ネットワークを提案する。
  論文  参考訳（メタデータ） (2023-05-23T04:04:24Z)
• Reliable Federated Disentangling Network for Non-IID Domain Feature [62.73267904147804]
  本稿では、RFedDisと呼ばれる新しい信頼性のあるフェデレーション・ディエンタングリング・ネットワークを提案する。 我々の知る限り、提案するRFedDisは、明らかな不確実性と特徴の混在に基づくFLアプローチを開発する最初の試みである。 提案するRFedDisは,他の最先端FL手法と比較して信頼性の高い優れた性能を提供する。
  論文  参考訳（メタデータ） (2023-01-30T11:46:34Z)
• ReDFeat: Recoupling Detection and Description for Multimodal Feature Learning [51.07496081296863]
  我々は、相互重み付け戦略による多モーダル特徴学習の検出と記述の独立した制約を再定義する。 本研究では,大きな受容場を有し,学習可能な非最大抑制層を備える検出器を提案する。 我々は,特徴マッチングと画像登録タスクにおける特徴量を評価するために,クロス可視,赤外線,近赤外,合成開口レーダ画像ペアを含むベンチマークを構築した。
  論文  参考訳（メタデータ） (2022-05-16T04:24:22Z)

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。