論文の概要: DetM-Tracker: Deterministic and Memory-Efficient VIS for Autonomous Industrial Inspection
- arxiv url: http://arxiv.org/abs/2610.29212v1
- Date: Wed, 21 Oct 2026 05:09:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-23 00:40:06.211641
- Title: DetM-Tracker: Deterministic and Memory-Efficient VIS for Autonomous Industrial Inspection
- Title（参考訳）: DetM-Tracker: 自律型産業検査のための決定論的かつメモリ効率の良いVIS
- Abstract要約: 本稿では,自律型産業検査用ビデオインスタンスフレームワークであるDetM-Trackerを紹介する。
当社のアプローチは,最新のVISモデルと産業用エッジ展開の実践的要求とのギャップを効果的に埋めるものである。
我々の手法は、最先端の高密度機能ベースラインと比較して、推論遅延を約20$times$とVRAM消費を6$times$に削減する。
- 参考スコア（独自算出の注目度）: 8.214088334777365
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Autonomous industrial inspection requires strictly deterministic real-time inference under tight memory and computational constraints. However, existing Video Instance Segmentation (VIS) models suffer from prohibitive scaling: dense temporal memory grows with spatial resolution and sequence length, while fixed-capacity decoders fail to exploit the inherent sparsity of industrial scenes, creating a practical memory wall on resource-constrained edge platforms. We present DetM-Tracker, a streamlined VIS framework for autonomous industrial inspection, where target objects often exhibit highly similar appearance under constrained "micro" fields of view. DetM-Tracker eliminates architectural redundancy through three synergistic components: (1) Compact Scalar Memory, which condenses high-dimensional instance features into four-scalar descriptors, reducing temporal memory complexity from $O(T \cdot N \cdot R)$ to $O(T \cdot \hat{N})$. This mechanism effectively compresses frame-level representations into a bank of active instances, where $R$ denotes resolution, $N$ and $\hat{N}$ represent global and window-specific instance counts, respectively and $T$ the temporal window size; and (2) Dynamic Instance Channels, which adaptively allocate query capacity according to the actual number of visible objects; and (3) Entropy-Gated Skip Connection, which concentrates computational budget on high-uncertainty spatial regions to refine object boundaries in a single forward pass without auxiliary refinement heads. Our approach effectively bridges the gap between modern VIS models and the practical demands of industrial edge deployment, reducing inference latency by approximately 20$\times$ and VRAM consumption by 6$\times$ compared to state-of-the-art dense-feature baselines.
- Abstract（参考訳）: 自律的な産業検査には、厳密なメモリと計算制約の下での厳密な決定論的リアルタイム推論が必要である。
しかし、既存のビデオインスタンスセグメンテーション(VIS)モデルは、空間分解能とシーケンス長で高密度な時空間メモリが成長するのに対して、固定容量デコーダは産業シーン固有の空間を利用できず、リソース制約のあるエッジプラットフォーム上で実用的なメモリウォールを作成する。
本稿では,自律型産業検査用VISフレームワークであるDetM-Trackerについて紹介する。
1) 高次元のインスタンス機能を4つのスカラー記述子に凝縮し、時間的メモリの複雑さを$O(T \cdot N \cdot R)$から$O(T \cdot \hat{N})$に低減する。
このメカニズムは、フレームレベルの表現をアクティブなインスタンスのバンクに効果的に圧縮する。$R$は解像度を表し、$N$と$\hat{N}$は、それぞれグローバルおよびウィンドウ固有のインスタンスカウントを表し、$T$は、時間ウィンドウサイズを表し、(2)動的インスタンスチャネルは、実際の可視オブジェクト数に応じてクエリキャパシティを適応的に割り当てる。
提案手法は,最新のVISモデルと産業用エッジ配置の現実的な要求とのギャップを効果的に埋め,推論遅延を約20$\times$、VRAM消費を6$\times$、最先端の高密度機能ベースラインと比較して6$\times$に削減する。
関連論文リスト
- Fast Enough to Act: Spatio-Temporal Visual Token Merging for Low-Latency Robotic VLMs and VLAs [21.02858354959528]
視覚言語モデルと視覚言語アクションモデルにより、ロボットには前例のない能力がある。
ビデオや高解像度画像の入力は膨大な数の視覚トークンをもたらし、非常に高い推論遅延をもたらし、ロボットのリアルタイム制御を著しく妨げる。
本稿では,視覚的エンコーディングフェーズにおいて,冗長トークンを直接効率的に融合するプラグイン・アンド・プレイフレームワークST-Mergeを提案する。
論文 参考訳（メタデータ） (2026-06-28T11:42:55Z) - Think as Needed: Geometry-Driven Adaptive Perception for Autonomous Driving [4.320171553006484]
現在の3D検出モデルは、すべてのフレームに固定された計算予算を適用し、単純なシーンでリソースを浪費すると同時に、複雑なシーンのキャパシティを欠いている。
本稿では,各LiDARフレームの幾何学的複雑さを測定する適応型知覚アーキテクチャである拡張HOPEを提案する。
nuScenesとCARLAのベンチマークでは、強化HOPEは、正確さを損なわずに単純なシーンでのレイテンシを38%削減し、稀なロングテールシナリオでは平均平均精度を2.7ポイント改善している。
論文 参考訳（メタデータ） (2026-05-11T07:34:13Z) - EmambaIR: Efficient Visual State Space Model for Event-guided Image Reconstruction [7.034388167235335]
EmambaIRは、空間的にスパースで時間的に連続したイベントストリームを用いた画像再構成のために設計された、効率的な視覚状態空間モデルである。
我々のフレームワークでは、TSAM(Top-k Sparse Attention Module)とGSSM(Gated State-Space Module)という2つの重要なコンポーネントを導入しています。
論文 参考訳（メタデータ） (2026-05-08T17:56:01Z) - DexWorldModel: Causal Latent World Modeling towards Automated Learning of Embodied Tasks [54.32016216994156]
本稿では,DINOv3特徴を生成対象として用い,視覚ノイズから相互作用意味を乱す因果潜在世界モデル(CLWM)を提案する。
メモリスケーリングを克服するため、CLWMはDual-State Test-Time Training (TTT)メモリを備えている。
EmbodiChainは、トレーニング中に物理基底軌道の無限の流れを注入することによって効率法を確立するオンラインフレームワークである。
論文 参考訳（メタデータ） (2026-04-13T03:19:36Z) - Beyond Short-Horizon: VQ-Memory for Robust Long-Horizon Manipulation in Non-Markovian Simulation Benchmarks [96.60530830276281]
RuleSafeは、スケーラブルなLLM支援シミュレーションフレームワーク上に構築された、新しいオペレーティングベンチマークである。
VQ-Memoryはベクトル量子化変分オートエンコーダを用いたコンパクトで構造化された時間表現である。
論文 参考訳（メタデータ） (2026-03-10T11:13:54Z) - Efficient High-Resolution Visual Representation Learning with State Space Model for Human Pose Estimation [60.80423207808076]
高解像度の視覚表現を維持しながら長距離依存関係をキャプチャすることは、人間のポーズ推定のような密集した予測タスクに不可欠である。
マルチスケールの畳み込み操作で視覚状態空間モデルを拡張する動的ビジュアル状態空間(DVSS)ブロックを提案する。
HRVMambaは効率的な高分解能表現学習のための新しいモデルである。
論文 参考訳（メタデータ） (2024-10-04T06:19:29Z) - Spatial-Temporal Graph Enhanced DETR Towards Multi-Frame 3D Object Detection [54.041049052843604]
STEMDは,多フレーム3Dオブジェクト検出のためのDETRのようなパラダイムを改良した,新しいエンドツーエンドフレームワークである。
まず、オブジェクト間の空間的相互作用と複雑な時間的依存をモデル化するために、空間的時間的グラフアテンションネットワークを導入する。
最後に、ネットワークが正のクエリと、ベストマッチしない他の非常に類似したクエリを区別することが課題となる。
論文 参考訳（メタデータ） (2023-07-01T13:53:14Z) - HALSIE: Hybrid Approach to Learning Segmentation by Simultaneously
Exploiting Image and Event Modalities [6.543272301133159]
イベントカメラは、非同期イベントストリームを生成するためにピクセルごとの強度の変化を検出する。
リアルタイム自律システムにおいて、正確なセマンティックマップ検索のための大きな可能性を秘めている。
イベントセグメンテーションの既存の実装は、サブベースのパフォーマンスに悩まされている。
本研究では,ハイブリット・エンド・エンド・エンドの学習フレームワークHALSIEを提案する。
論文 参考訳（メタデータ） (2022-11-19T17:09:50Z) - Ret3D: Rethinking Object Relations for Efficient 3D Object Detection in
Driving Scenes [82.4186966781934]
Ret3Dと呼ばれるシンプルで効率的で効果的な2段階検出器を導入する。
Ret3Dの中核は、新しいフレーム内およびフレーム間関係モジュールの利用である。
無視できる余分なオーバーヘッドにより、Ret3Dは最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2022-08-18T03:48:58Z)
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。