論文の概要: Order Matters: Competition-Guided Query Ordering for RNN-Based Object Detection

• arxiv url: http://arxiv.org/abs/2610.05191v1
• Date: Sun, 04 Oct 2026 13:00:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 22:43:26.200489
• Title: Order Matters: Competition-Guided Query Ordering for RNN-Based Object Detection
• Title（参考訳）: 注文事項:RNNに基づくオブジェクト検出のための競合誘導クエリ順序付け
• Abstract要約: DETRNNはプラグアンドプレイモジュールで、順序のないオブジェクトクエリをコンペティブルなシーケンスに変換して、繰り返しリフレッシュする。 事前の予測から明確な信頼と類似性に基づく順序を構築し、その順序に沿ってRNNでクエリを洗練し、デコーダ内の競合をモデル化する。 複数のDETR型検出器の実験は、同等の効率で一貫した利得を示す。
• 参考スコア（独自算出の注目度）: 19.37485479929393
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: DETR-style detectors use one-to-one bipartite matching during training to assign object queries to ground-truth objects, enabling end-to-end set prediction without non-maximum suppression (NMS). However, without an explicit de-duplication procedure, multiple queries can still produce highly similar hypotheses for the same object, making training unstable and predictions less decisive. Inspired by the sequential ordering of NMS, we propose DETRNN, a plug-and-play module that turns unordered object queries into a competition-aware sequence for recurrent refinement. DETRNN builds an explicit confidence-and-similarity based order from prior predictions, then refines queries with an RNN along this order to model competition inside the decoder. This ordered recurrent refinement reduces redundant predictions, stabilizes optimization, and improves final detection accuracy. Experiments on multiple DETR-style detectors show consistent gains with comparable efficiency.
• Abstract（参考訳）: DETRスタイルの検出器は、訓練中に1対1のバイパーティイトマッチングを使用して、オブジェクトクエリをグランドトラストオブジェクトに割り当て、非最大抑圧(NMS)なしでエンドツーエンドのセット予測を可能にする。 しかし、明示的な重複回避手順がなければ、複数のクエリは同じオブジェクトに対して非常に類似した仮説を生成できるため、トレーニングが不安定になり、予測が決定的でない。 我々は,NMSの逐次順序付けに着想を得たDreTRNNを提案する。 DETRNNは、事前の予測から明確な信頼と類似性に基づく順序を構築し、その順序に沿ってRNNでクエリを洗練し、デコーダ内の競合をモデル化する。 この順序付きリカレントリファインメントは冗長な予測を低減し、最適化を安定化し、最終的な検出精度を向上させる。 複数のDETR型検出器の実験は、同等の効率で一貫した利得を示す。

関連論文リスト

• Efficient Sequential Evaluation of Large Language Models [10.520659921457629]
  本研究では,過去のパフォーマンスデータを用いた固定質問セットに基づいて,新たな大規模言語モデル(LLM)を逐次評価する問題について検討する。 我々のゴールは,モデルの信頼性シーケンス(CS)を構築し,CS幅をできるだけ早く縮小するアクティブクエリルールを設計することである。
  論文  参考訳（メタデータ） (2026-07-19T21:01:34Z)
• Towards Order Fairness: Mitigating LLMs Order Sensitivity through Dual Group Advantage Optimization [20.259122922188126]
  大規模言語モデル(LLM)は、入力要素の配列順序に影響される順序バイアスに悩まされる。 textbfDGAOはモデル精度と順序安定性を同時に向上することを目的としている。
  論文  参考訳（メタデータ） (2026-05-12T11:31:18Z)
• Beyond Hungarian: Match-Free Supervision for End-to-End Object Detection [6.786987355161583]
  提案手法は,DETRを用いた新しい整合性学習手法である。 我々は、符号化された地下構造情報を用いて、クロスアテンション機構を通じてデコーダクエリを探索する。 実験により,提案手法は従来のマッチング処理をバイパスすることを示した。
  論文  参考訳（メタデータ） (2026-03-09T15:44:23Z)
• Listwise Preference Diffusion Optimization for User Behavior Trajectories Prediction [41.53271688465831]
  ユーザ行動軌跡予測(UBTP)を,長期ユーザの嗜好を明示的にモデル化するタスク設定として定式化する。 項目列全体に対して構造化された嗜好を直接最適化する拡散に基づくトレーニングフレームワークであるリスワイズ・ディフュージョン・最適化(LPDO)を導入する。 多段階の予測品質を厳密に評価するために、正確な軌跡合意を計測するタスク特異的な逐次マッチング(SeqMatch)を提案し、確率的忠実度を評価するパープレキシティ(PPL)を採用する。
  論文  参考訳（メタデータ） (2025-11-01T12:16:24Z)
• Rank-DETR for High Quality Object Detection [52.82810762221516]
  高性能なオブジェクト検出器は、バウンディングボックス予測の正確なランキングを必要とする。 本研究では, 簡易かつ高性能なDETR型物体検出器について, 一連のランク指向設計を提案して紹介する。
  論文  参考訳（メタデータ） (2023-10-13T04:48:32Z)
• 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)
• Enhancing Few-shot NER with Prompt Ordering based Data Augmentation [59.69108119752584]
  本稿では,PODA(Prompt Ordering Based Data Augmentation)手法を提案する。 3つのパブリックNERデータセットの実験結果とさらなる分析により,本手法の有効性が示された。
  論文  参考訳（メタデータ） (2023-05-19T16:25:43Z)
• Hausdorff Distance Matching with Adaptive Query Denoising for Rotated Detection Transformer [4.137346786534721]
  両部マッチングのためのハウスドルフ距離に基づくコストを導入し、予測と基底の真理との相違をより正確に定量化する。 本稿では,2部マッチングを用いた適応型問合せ記述手法を提案し,モデル改良から抽出した雑音付き問合せを選択的に除去する。
  論文  参考訳（メタデータ） (2023-05-12T16:42:54Z)
• Pre-training Is (Almost) All You Need: An Application to Commonsense Reasoning [61.32992639292889]
  事前学習されたトランスモデルの微調整は、一般的なNLPタスクを解決するための標準的なアプローチとなっている。 そこで本研究では,可視性ランキングタスクをフルテキスト形式でキャストする新たなスコアリング手法を提案する。 提案手法は, ランダム再起動にまたがって, より安定した学習段階を提供することを示す。
  論文  参考訳（メタデータ） (2020-04-29T10:54:40Z)

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。