論文の概要: CLOSER: Evidence-Aware Active Visual Verification for Embodied Object-Goal Navigation
- arxiv url: http://arxiv.org/abs/2610.28476v1
- Date: Tue, 20 Oct 2026 16:27:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-21 21:58:47.918603
- Title: CLOSER: Evidence-Aware Active Visual Verification for Embodied Object-Goal Navigation
- Title（参考訳）: CLOSER: 身体的目標ナビゲーションのためのエビデンス対応アクティブビジュアル検証
- Abstract要約: CLOSERは、閉ループエビデンス取得の停止、視覚言語モデル(VLM)検証と能動的知覚の結合として扱う。
CLOSERはローカルで動作し、既存のObjectNavシステムに再トレーニングすることなくプラグインする。
GibsonとHabitat-Matterport 3Dでは、平均成功率は3.6ポイント、パス長は2.0ポイント上昇する。
- 参考スコア（独自算出の注目度）: 7.960697722250322
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Object-goal navigation (ObjectNav) requires an embodied agent to find an instance of a specified category in an unseen environment and stop near it. The agent typically relies on an object detector but must judge online from a limited egocentric video stream, sometimes a single frame, whether a detected candidate is the target. Detectors often confidently mistake similar objects, such as a sofa for a bed, and stopping at a false positive fails the episode. Prevailing systems also approach candidates greedily, leaving them occluded or partially observed. We present CLOSER, an evidence-aware active verification framework that treats stopping as closed-loop evidence acquisition, coupling vision-language model (VLM) verification with active perception. CLOSER fine-tunes an open-source VLM to label each view of a candidate tracked across frames as target, non-target, or uncertain, selects complementary views with an embedding-based diversity gate, and fuses their per-view probabilities with a lightweight network. If the fused judgment remains uncertain, a diffusion policy drives the agent toward the candidate using only the tracked mask and depth until the decision becomes decisive. CLOSER runs locally and plugs into existing ObjectNav systems without retraining them. On Gibson and Habitat-Matterport 3D, it raises average success rate by 3.6 points and success weighted by path length by 2.0 points, showing that verifying evidence before committing improves embodied navigation.
- Abstract（参考訳）: Object-Goal Navigation(ObjectNav)は、具体化されたエージェントが、見えない環境で指定されたカテゴリのインスタンスを見つけて、その近くで停止するように要求する。
エージェントは通常オブジェクト検出器に依存しているが、検出された候補がターゲットであるかに関わらず、限られた自我中心のビデオストリームからオンラインで判断しなければならない。
検知器はしばしば、ベッドのソファーのような類似の物体を確実に間違え、偽陽性で停止することがエピソードを失敗させる。
優勢なシステムは候補者に優しく近づき、無視されるか部分的に観察される。
本稿では, 閉ループエビデンス獲得, 視覚言語モデル(VLM)検証と能動知覚を併用した, 停止を対処するエビデンス対応能動検証フレームワークであるCLOSERを提案する。
CLOSERはオープンソースのVLMを微調整し、フレーム全体で追跡される候補のビューをターゲット、非ターゲット、不確実としてラベル付けし、埋め込みベースの多様性ゲートで補完的なビューを選択し、ビュー毎の確率を軽量ネットワークで融合させる。
融合判定が不確実であれば、拡散ポリシは、決定が決定されるまで、追跡されたマスクと深さのみを使用して、エージェントを候補に向かって駆動する。
CLOSERはローカルで動作し、既存のObjectNavシステムに再トレーニングすることなくプラグインする。
GibsonとHabitat-Matterport 3Dでは、平均成功率を3.6ポイント引き上げ、パス長を2.0ポイント加重し、コミット前の証拠の検証がエボデードナビゲーションを改善することを示す。
関連論文リスト
- When Trackers Fail: VLM-Guided Verification and Recovery for Robust Video Object Segmentation [8.724615581190273]
再出現または注意散らしの下では、誤った予測が追跡ループに入り、時間とともに伝播し、永続的なアイデンティティドリフトをもたらす。
既存のアプローチでは、メモリと時間的曖昧さを改善してそのような障害を防止しようとしているが、一度障害が発生したら、トラッカーはそれを認識または修正する明確なメカニズムを持っていない。
このギャップに対処するDual-Agentは、明確な検証とリカバリで伝搬を補完する障害対応追跡フレームワークである。
論文 参考訳（メタデータ） (2026-10-11T21:24:17Z) - ODPure: Backdoor Purification for Object Detection via Ensemble Corruption Consensus [22.734671730589508]
オブジェクト検出のための新しい入力ステージブラックボックスディフェンスである ODPure を提案する。
本手法は多様なバックドア攻撃やトリガータイプに対する堅牢な防御を提供する。
論文 参考訳（メタデータ） (2026-09-23T15:03:54Z) - Rethinking Embodied Navigation via Relational Inductive Bias [53.72276435022479]
本稿では,DB-Navを提案する。
標的中心の関係を活性化バイアスと抑制バイアスに分類する。
成功率(SR)と成功率(SPL)はパス長さ(SPL)が重み付けされているため、既存の方法よりも著しく優れています。
論文 参考訳（メタデータ） (2026-06-09T02:57:34Z) - DSCD-Nav: Dual-Stance Cooperative Debate for Object Navigation [63.439158093945956]
本研究では,姿勢に基づくクロスチェックとエビデンス対応仲裁に代えて,Dual-Stance Cooperative Debate Navigation (DSCD-Nav)を提案する。
HM3Dv1、HM3Dv2、MP3Dの実験では、探索冗長性を低減しつつ、成功と経路効率が一貫した改善を示した。
論文 参考訳（メタデータ） (2026-01-29T08:47:55Z) - SAMITE: Position Prompted SAM2 with Calibrated Memory for Visual Object Tracking [58.35852822355312]
Visual Object Tracking (VOT)は、ビデオ内のターゲットを継続的に追跡する自律運転のようなアプリケーションで広く使われている。
これらの問題に対処するために、ビデオ基盤モデルSAM2をVOTに適用し、各フレームの追跡結果をメモリとして符号化し、残りのフレームを自己回帰的に条件付けする手法を提案する。
これらの課題に対処するために,SAM2 上にモジュールを追加して構築した SAMITE モデルを提案する。
論文 参考訳（メタデータ） (2025-07-29T12:11:56Z) - Lost and Found: Overcoming Detector Failures in Online Multi-Object Tracking [15.533652456081374]
マルチオブジェクト追跡(MOT)は、時間とともに複数のオブジェクトのアイデンティティと位置を正確に推定する。
現代の検出器は、あるフレーム内のいくつかのオブジェクトを見逃すことがあるため、トラッカーは早めに追跡をやめる。
オンラインTbDシステムと互換性のある汎用フレームワークであるBUSCAを提案する。
論文 参考訳（メタデータ） (2024-07-14T10:45:12Z) - SOOD: Towards Semi-Supervised Oriented Object Detection [57.05141794402972]
本稿では, 主流の擬似ラベリングフレームワーク上に構築された, SOOD と呼ばれる, 半教師付きオブジェクト指向物体検出モデルを提案する。
提案した2つの損失をトレーニングした場合,SOODはDOTA-v1.5ベンチマークの様々な設定下で,最先端のSSOD法を超越することを示した。
論文 参考訳（メタデータ） (2023-04-10T11:10:42Z) - Detecting Invisible People [58.49425715635312]
我々は,追跡ベンチマークを再利用し,目立たない物体を検出するための新しい指標を提案する。
私たちは、現在の検出および追跡システムがこのタスクで劇的に悪化することを実証します。
第2に,最先端の単眼深度推定ネットワークによる観測結果を用いて,3次元で明示的に推論する動的モデルを構築した。
論文 参考訳（メタデータ） (2020-12-15T16:54:45Z) - Unsupervised Object Detection with LiDAR Clues [70.73881791310495]
本稿では,LiDARの手がかりを用いた非教師対象検出のための最初の実用的手法を提案する。
提案手法では,まず3次元点雲に基づく候補オブジェクトセグメントを生成する。
そして、セグメントラベルを割り当て、セグメントラベルネットワークを訓練する反復的なセグメントラベル処理を行う。
ラベル付けプロセスは、長い尾とオープンエンドの分布の問題を軽減するために慎重に設計されている。
論文 参考訳（メタデータ） (2020-11-25T18:59:54Z)
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。