論文の概要: Adaptive Observation Control for Active Visual Recognition

• arxiv url: http://arxiv.org/abs/2610.19624v1
• Date: Wed, 14 Oct 2026 05:45:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.985467
• Title: Adaptive Observation Control for Active Visual Recognition
• Title（参考訳）: 能動視覚認識のための適応的観察制御
• Abstract要約: 固定ステップ認識器を制御可能な観察インタフェースで拡張する。 モデルは、その視野を設定し、選択された作物を洗練し、入力依存の早期終了にラベル付きストップヘッドを使用する固定単位のスケールを予測する。 詳細なベンチマーク、完全なImageNet-1K、ImageNet-A/R由来の分類スプリットによる実験は、インターフェースが固定ステップ参照と競合していることを示している。
• 参考スコア（独自算出の注目度）: 9.575233416810597
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual recognition models usually process a fixed view under a fixed computation budget, although images often benefit from different scales and amounts of spatial evidence. Active vision can adapt by observing a coarse scene and then selecting informative fixations, but the public AdaptiveNN-DeiT-S pipeline still fixes both field of view and observation count. We extend this fixed-step recognizer with a controllable observation interface that adapts both the field of view and the number of fixations to the input. Specifically, the model predicts a per-fixation scale that sets its field of view, refines each selected crop with optional scale-gated foveation and a residual high-resolution detail-token branch, and uses label-grounded stop heads for input-dependent early termination. Experiments across fine-grained benchmarks, full ImageNet-1K, and ImageNet-A/R-derived classification splits show that the interface remains competitive with fixed-step references while exposing a controllable observation budget. The same checkpoint enables threshold-controlled accuracy-compute trade-offs without per-threshold retraining. On sequential ImageNet-1K, the learned stop rule outperforms fixed-step truncation of the same checkpoint, sustaining 81.9% top-1 using 2.45 of the four focus steps and exceeding three-step truncation at lower cost. On each benchmark, a variant combining scale control and detail-token fusion achieves the highest accuracy among the tested component-added non-exit variants. Our code is available at https://github.com/GZHU-DVL/LI-Dikai.
• Abstract（参考訳）: 画像認識モデルは、通常、固定された計算予算の下で一定のビューを処理するが、画像は、しばしば異なるスケールと量の空間的証拠の恩恵を受ける。 アクティブビジョンは、粗いシーンを観察して情報的な修正を選択することで適応できるが、パブリックなAdaptiveNN-DeiT-Sパイプラインは、視野と観測回数の両方を固定している。 我々は、この固定ステップ認識器を、視野と固定数の両方を入力に適応させる制御可能な観察インタフェースで拡張する。 具体的には、その視野を設定した固定単位のスケールを予測し、選択された作物をオプションのスケールゲート・ファベーションと高解像度ディテール・トーケン・ブランチで精錬し、ラベル付きストップヘッドを入力依存早期終了に使用する。 きめ細かいベンチマーク、完全なImageNet-1K、ImageNet-A/Rから派生した分類による実験は、制御可能な監視予算を公開しながら、インターフェイスが固定ステップ参照と競合し続けることを示している。 同じチェックポイントにより、閾値制御の精度の高いトレードオフが可能で、閾値単位の再トレーニングが不要である。 シーケンシャルなImageNet-1Kでは、学習された停止規則は、同じチェックポイントの固定ステップトランケーションよりも優れており、4つのフォーカスステップのうち2.45を使用して81.9%のトップ-1を維持し、低コストで3ステップトランケーションを超える。 各ベンチマークでは、スケール制御とディテール・トケン・フュージョンを組み合わせた変種が、テストされたコンポーネント付加の非外部変種の中で最高精度を達成する。 私たちのコードはhttps://github.com/GZHU-DVL/LI-Dikaiで公開されています。

関連論文リスト

• Selective Cross-View Consistency for World Action Models: Held-Out Viewpoint Robustness Without Test-Time Camera Information [0.0]
  世界アクションモデル(WAM)は、将来のビデオフレームとロボットアクションを共同で認知し、その制御を一般化することが期待されている。 同状態のクロスビュー画像ペアでトレーニングする場合、どの出力座標に一貫性損失を課すべきか? 共変ブロックに適用される整合性は有意な有害性を示し、正規のビュー特化コンテンツをその真値の1/(1+4)$に縮め、制御実験においてこの縮退則を検証する。
  論文  参考訳（メタデータ） (2026-08-07T12:03:23Z)
• CIAware-Bench: Benchmarking Control Intervention Awareness Across Frontier LLMs [100.38986535324284]
  我々は、フロンティアモデル全体でのtextbfcontrol textbfintervention (CI) の認識を測定するベンチマークである textbfCIAware-Bench を紹介する。 CIAware-Benchは、モデルが自身の軌跡を制御介入によって修正されたものと区別できるかどうかをテストする。
  論文  参考訳（メタデータ） (2026-06-09T16:24:16Z)
• [CLS] is Not Enough: Multi-Label Recognition via Patch-Level Inference and Adaptive Aggregation [20.637119409165418]
  PIAAは、アダプティブアグリゲーション(Adaptive Aggregation)によって、パッチレベルの推論として予測を定式化する。 パッチレベルのスコアを最終的なマルチラベル予測に集約するアダプティブアグリゲーションモジュールを導入する。 実験の結果,提案手法は最小限の余剰計算で強い改善を達成できることがわかった。
  論文  参考訳（メタデータ） (2026-05-25T13:19:12Z)
• CalibFree: Self-Supervised View Feature Separation for Calibration-Free Multi-Camera Multi-Object Tracking [50.354685761416484]
  CalibFreeは、MCMOTタスクのキャリブレーションや手動ラベリングを必要としない自己教師型表現学習フレームワークである。 MMP-MvMHATデータセットの実験では、全体の精度が3%向上し、最先端のアプローチよりも平均F1スコアが7.5%向上した。
  論文  参考訳（メタデータ） (2026-05-10T01:04:12Z)
• Learning Accurate Segmentation Purely from Self-Supervision [87.78965637247107]
  Selfmentは完全に自己管理型のフレームワークで、人間のラベルなしでオブジェクトを生画像から直接分割する。 Selfmentは、複数のベンチマークで新しい最先端(SoTA)結果を設定する。
  論文  参考訳（メタデータ） (2026-02-27T07:36:32Z)
• Cumulative Consensus Score: Label-Free and Model-Agnostic Evaluation of Object Detectors in Deployment [3.6178660238507843]
  オブジェクト検出モデルをデプロイで評価することは難しい。 実環境における検知器の連続的な監視と比較を可能にするラベルフリーメトリックであるCumulative Consensus Score (CCS)を紹介した。
  論文  参考訳（メタデータ） (2025-09-16T09:24:37Z)
• Leveraging Geometric Priors for Unaligned Scene Change Detection [53.523333385654546]
  Unaligned Scene Change Detectionは、視点アライメントを仮定することなく、異なるタイミングでキャプチャされた画像ペア間のシーン変化を検出することを目的としている。 非整合SCDの中核的課題に対処するために、初めて幾何学的事前を導入する。 視覚基盤モデルの強力な表現とそれらを統合した学習自由フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-14T14:31:08Z)
• SuperWarp: Supervised Learning and Warping on U-Net for Invariant Subvoxel-Precise Registration [14.819845435373397]
  近年、学習に基づく画像登録手法は、ターゲットのワープを直接監督することから離れ、代わりにセルフスーパービジョンを使用するようになった。 本稿では,教師付き登録手法の相対的失敗が,通常のU-Netの利用に原因があることを論じる。 変形予測から特徴抽出とマッチングを分離するU-Netに、単純だが重要な変更を導入する。
  論文  参考訳（メタデータ） (2022-05-15T23:17:32Z)
• Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
  本稿では,分類に基づく比較的研究の少ない方法論について検討する。 我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。 航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2020-11-19T05:42:02Z)

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。