論文の概要: Mobility Helps Learning: Unsupervised Model Adaptation for Object Recognition via Movement

• arxiv url: http://arxiv.org/abs/2610.15846v1
• Date: Sun, 11 Oct 2026 18:58:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-19 15:37:39.500163
• Title: Mobility Helps Learning: Unsupervised Model Adaptation for Object Recognition via Movement
• Title（参考訳）: モビリティは学習を助ける: 動きによるオブジェクト認識のための教師なしモデル適応
• Abstract要約: textttMoCaFeはモデルに依存しないパラダイムであり、教師なし適応に動きによる予測分散を利用する。 自動運転とエンボディエージェントデータセットの実験は、TextttMoCaFeが最先端のTTAスキームを著しく上回っていることを示している。
• 参考スコア（独自算出の注目度）: 20.580319055882978
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Movable agents, such as autonomous vehicles and robots, should be able to autonomously adapt their pre-trained object recognition models to new environments without human annotations. While existing test-time adaptation (TTA) methods address label-free model adaptation, they typically treat test data as independent snapshots, without constructively exploiting a rich, unique source of supervision: the significant variance in prediction quality as an agent observes the same object from different distances and viewpoints. To capitalize on this, we propose \texttt{MoCaFe}, a model-agnostic and hyperparameter-insensitive paradigm that leverages motion-induced prediction variance for unsupervised adaptation. Specifically, we first develop mobility-calibrated filtering of pseudo-labels, which constructs reliable pseudo-labels by fusing cross-view predictions using inverse-variance weights. The filtered pseudo-labels then guide the selection of ``hard samples'' for effective learning. To further suppress pseudo-label corruption, we introduce \texttt{p-MoCaFe}, an optional extension that uses a public dataset to assign weighting factors to data samples, yielding an estimator of the clean loss with bounded bias. Extensive experiments on autonomous driving (nuScenes, KITTI) and embodied-agent datasets show that \texttt{MoCaFe} significantly outperforms state-of-the-art TTA schemes, achieving up to approximately 20% accuracy gain.
• Abstract（参考訳）: 自律走行車やロボットのような移動可能なエージェントは、事前訓練されたオブジェクト認識モデルを人間のアノテーションなしで、新しい環境に自律的に適応させることができるべきである。 既存のテスト時間適応(TTA)メソッドはラベルのないモデル適応に対処するが、テストデータを独立したスナップショットとして扱うのが一般的であり、リッチでユニークな監視源を建設的に利用しない。 そこで我々は, モデルに依存しない, ハイパーパラメータ非依存のパラダイムである \texttt{MoCaFe} を提案する。 具体的には,まず,逆分散重みを用いたクロスビュー予測を融合することにより,信頼性の高い擬似ラベルを構成する擬似ラベルのモビリティ校正フィルタを開発する。 フィルタされた擬似ラベルは、効果的な学習のために ``hard sample'' の選択をガイドする。 さらに、擬似ラベルの破損を抑制するために、パブリックデータセットを使用してデータサンプルに重み付け係数を割り当てるオプション拡張である \texttt{p-MoCaFe} を導入する。 自律走行(nuScenes, KITTI)とエンボディエージェントデータセットの大規模な実験は、 \texttt{MoCaFe} が最先端のTTAスキームを著しく上回り、最大20%の精度向上を達成したことを示している。

関連論文リスト

• FACTOR: Counterfactual Training-Free Test-Time Adaptation for Open-Vocabulary Object Detection [63.91351553178842]
  FACTORはオープン語彙オブジェクト検出のためのトレーニング不要なテスト時間適応である。 属性依存性の予測を選択的に抑制するために、属性の感度、意味的関連性、予測のバリエーションを定量化する。 PASCAL-C, COCO-C, FoggyCityscapes の実験では、FACTOR が従来の TTA 法より一貫して優れていたことが示されている。
  論文  参考訳（メタデータ） (2026-05-05T02:31:18Z)
• Pseudo-Labeling for Unsupervised Domain Adaptation with Kernel GLMs [4.153834414190214]
  教師なしドメイン適応のための原則的フレームワークを提案する。 我々の目標は、ラベル付きソースデータとラベルなしターゲットデータを活用することで、ターゲット領域における予測誤差を最小限にすることである。 合成データセットと実データセットの実験は、ソースのみのベースラインよりも一貫したパフォーマンス向上を示す。
  論文  参考訳（メタデータ） (2026-03-19T19:31:47Z)
• AMUN: Adversarial Machine UNlearning [13.776549741449557]
  Adversarial Machine UNlearning (AMUN)は、画像分類の最先端(SOTA)手法よりも優れている。 AMUNは、そのモデルに対応する敵の例を微調整することで、忘れサンプルのモデルの信頼性を低下させる。
  論文  参考訳（メタデータ） (2025-03-02T14:36:31Z)
• Downstream-Pretext Domain Knowledge Traceback for Active Learning [138.02530777915362]
  本稿では、下流知識と事前学習指導のデータ相互作用をトレースするダウンストリーム・プレテキスト・ドメイン知識トレース(DOKT)手法を提案する。 DOKTは、トレースバックの多様性指標とドメインベースの不確実性推定器から構成される。 10のデータセットで行った実験は、我々のモデルが他の最先端の手法よりも優れていることを示している。
  論文  参考訳（メタデータ） (2024-07-20T01:34:13Z)
• PASA: Attack Agnostic Unsupervised Adversarial Detection using Prediction & Attribution Sensitivity Analysis [2.5347892611213614]
  分類のためのディープニューラルネットワークは、サンプル入力に対する小さな摂動が誤った予測につながる敵攻撃に対して脆弱である。 本研究では, モデル予測と特徴属性のこの特性の実用的手法を開発し, 対向サンプルを検出する。 本手法は,敵が防御機構を認識した場合でも,競争性能を示す。
  論文  参考訳（メタデータ） (2024-04-12T21:22:21Z)
• MAPS: A Noise-Robust Progressive Learning Approach for Source-Free Domain Adaptive Keypoint Detection [76.97324120775475]
  クロスドメインキーポイント検出方法は、常に適応中にソースデータにアクセスする必要がある。 本稿では、ターゲット領域に十分に訓練されたソースモデルのみを提供する、ソースフリーなドメイン適応キーポイント検出について考察する。
  論文  参考訳（メタデータ） (2023-02-09T12:06:08Z)
• Rethinking Precision of Pseudo Label: Test-Time Adaptation via Complementary Learning [10.396596055773012]
  本稿では,テスト時間適応性を高めるための新しい補完学習手法を提案する。 テスト時適応タスクでは、ソースドメインからの情報は通常利用できない。 我々は,相補ラベルのリスク関数がバニラ損失式と一致することを強調した。
  論文  参考訳（メタデータ） (2023-01-15T03:36:33Z)
• Leveraging Unlabeled Data to Predict Out-of-Distribution Performance [63.740181251997306]
  実世界の機械学習デプロイメントは、ソース(トレーニング)とターゲット(テスト)ディストリビューションのミスマッチによって特徴づけられる。 本研究では,ラベル付きソースデータとラベルなしターゲットデータのみを用いて,対象領域の精度を予測する手法を検討する。 本稿では,モデルの信頼度をしきい値として学習し,精度をラベルなし例のごく一部として予測する実践的手法である平均閾値保持信頼度(ATC)を提案する。
  論文  参考訳（メタデータ） (2022-01-11T23:01:12Z)
• Attentive Prototypes for Source-free Unsupervised Domain Adaptive 3D Object Detection [85.11649974840758]
  3Dオブジェクト検出ネットワークは、トレーニングされたデータに対してバイアスを受ける傾向がある。 そこで本研究では,ライダーを用いた3次元物体検出器のソースレス・教師なし領域適応のための単一フレーム手法を提案する。
  論文  参考訳（メタデータ） (2021-11-30T18:42:42Z)
• Training on Test Data with Bayesian Adaptation for Covariate Shift [96.3250517412545]
  ディープニューラルネットワークは、信頼できない不確実性推定で不正確な予測を行うことが多い。 分布シフトの下でのラベルなし入力とモデルパラメータとの明確に定義された関係を提供するベイズモデルを導出する。 本手法は精度と不確実性の両方を向上することを示す。
  論文  参考訳（メタデータ） (2021-09-27T01:09:08Z)

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。