論文の概要: FogTTA: Online Test-Time Adaptation for Robust Transformer-based Object Detection in Foggy Weather

• arxiv url: http://arxiv.org/abs/2610.29618v1
• Date: Wed, 21 Oct 2026 11:57:36 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-23 00:40:06.353895
• Title: FogTTA: Online Test-Time Adaptation for Robust Transformer-based Object Detection in Foggy Weather
• Title（参考訳）: FogTTA: 気象条件下でのロバスト変圧器を用いた物体検出のためのオンラインテスト時間適応
• Abstract要約: FogTTAは、霧の中のTransformerベースのオブジェクト検出器の堅牢性を改善するために設計されたオンラインテスト時間適応フレームワークである。 ソースデータや再トレーニングを必要とせずに、ストリーミングターゲットドメインへのリアルタイム適応を可能にする。 実験の結果、FogTTAは以前のベースラインよりも優れており、リアルタイム性能を維持しながら検出精度と安定性が向上していることがわかった。
• 参考スコア（独自算出の注目度）: 20.50167289921075
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Object detection models for autonomous driving commonly experience substantial performance drops when deployed under adverse weather due to the domain shift between training data and real-world operating conditions. This degradation is especially evident when models trained on clear-weather images encounter foggy environments with reduced visibility and contrast. To address this challenge, we introduce FogTTA, an online test-time adaptation framework designed to improve the robustness of Transformer-based object detectors in fog. Using RF-DETR as the underlying object detector, FogTTA enables real-time adaptation to the streaming target domain without requiring source data or retraining. The framework follows a teacher-student design, where the deployed model serves as the teacher and generates pseudo labels from weakly augmented target inputs. These predictions are subsequently refined through non-maximum suppression and confidence filtering. The student model then learns from strongly augmented target sample using the Varifocal loss to mitigate pseudo-label noise. The teacher is updated via exponential moving averaging to ensure stable and continuous adaptation. Experiments show that FogTTA outperforms prior baselines, delivering improved detection accuracy and stability while maintaining real-time performance.
• Abstract（参考訳）: 自律運転のための物体検出モデルは、トレーニングデータと実世界の運転条件の間の領域シフトにより、悪天候下で展開された場合、大きな性能低下を経験することが一般的である。 この劣化は、鮮やかな天候の画像で訓練されたモデルが、可視性とコントラストを減らして霧の多い環境に遭遇したとき、特に顕著である。 この課題に対処するために、フォグTTAというオンラインテスト時間適応フレームワークを導入し、フォグにおけるトランスフォーマーベースのオブジェクト検出器の堅牢性を改善する。 RF-DETRを基礎となるオブジェクト検出器として使用することにより、FogTTAはソースデータや再トレーニングを必要とせずに、ストリーミングターゲットドメインへのリアルタイム適応を可能にする。 フレームワークは、デプロイされたモデルが教師として機能し、弱い拡張ターゲット入力から擬似ラベルを生成する教師学生設計に従う。 これらの予測はその後、非最大抑圧と信頼性フィルタリングによって洗練される。 学生モデルは、擬似ラベルノイズを軽減するためにVarifocal lossを用いて、強く強化されたターゲットサンプルから学習する。 教師は指数的移動平均化によって更新され、安定かつ連続的な適応が保証される。 実験の結果、FogTTAは以前のベースラインよりも優れており、リアルタイム性能を維持しながら検出精度と安定性が向上していることがわかった。

関連論文リスト

• Physically-Induced Atmospheric Adversarial Perturbations: Enhancing Transferability and Robustness in Remote Sensing Image Classification [54.952203312050564]
  敵対的攻撃は、リモートセンシング(RS)画像分類におけるディープラーニングモデルの信頼性に深刻な脅威をもたらす。 本稿ではフォグフール(FogFool)を提案する。 2つのベンチマークRSデータセットの実験は、FogFoolが優れたパフォーマンスを達成することを示す。
  論文  参考訳（メタデータ） (2026-04-16T05:47:57Z)
• RT-DETRv4: Painlessly Furthering Real-Time Object Detection with Vision Foundation Models [48.91205564876609]
  軽量物体検出器の高効率化を目的とした,コスト効率・高適合性蒸留フレームワークを提案する。 当社のアプローチは、さまざまなDETRベースのモデルに対して、目立って一貫したパフォーマンス向上を実現しています。 我々の新しいモデルファミリーRT-DETRv4はCOCOの最先端結果を達成し、APスコアは49.7/53.5/55.4/57.0で、対応する速度は273/169/124/78 FPSである。
  論文  参考訳（メタデータ） (2025-10-29T08:13:17Z)
• FogGuard: guarding YOLO against fog using perceptual loss [5.868532677577194]
  FogGuard(フォグガード)は、霧の天候によって引き起こされる課題に対処するために設計された、霧を意識した物体検出ネットワークである。 FogGuardは、YOLOv3をベースラインアルゴリズムとして組み込むことで、シーン内の霧の状態を補償する。 我々のネットワークは、RTTSデータセット上でのYOLOv3の57.78%と比較して、69.43%のmAPを達成した。
  論文  参考訳（メタデータ） (2024-03-13T20:13:25Z)
• Genuine Knowledge from Practice: Diffusion Test-Time Adaptation for Video Adverse Weather Removal [53.15046196592023]
  ビデオの悪天候除去におけるテスト時間適応について紹介する。 本稿では,テスト時間適応を反復拡散逆プロセスに統合する最初のフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-12T14:21:30Z)
• Domain Adaptation based Object Detection for Autonomous Driving in Foggy and Rainy Weather [44.711384869027775]
  ドメインギャップのため、晴れた天候下で訓練された検出モデルは、霧や雨の条件下ではうまく機能しない可能性がある。 霧や雨の天候下での領域ギャップを埋め、オブジェクト検出の性能を向上させるため、ドメイン適応型オブジェクト検出のための新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-07-18T23:06:47Z)
• Domain Adaptive Object Detection for Autonomous Driving under Foggy Weather [25.964194141706923]
  本稿では,霧気候下での自律走行のための新しい領域適応型物体検出フレームワークを提案する。 本手法は画像レベルの適応とオブジェクトレベルの適応を両立させ,画像スタイルとオブジェクトの外観における領域差を低減させる。 評価実験の結果,提案手法の有効性と精度が示された。
  論文  参考訳（メタデータ） (2022-10-27T05:09:10Z)
• Real-time Object Detection for Streaming Perception [84.2559631820007]
  ストリーミング知覚は,ビデオオンライン知覚の1つの指標として,レイテンシと精度を共同評価するために提案される。 ストリーミング知覚のためのシンプルで効果的なフレームワークを構築します。 提案手法はArgoverse-HDデータセット上での競合性能を実現し,強力なベースラインに比べてAPを4.9%向上させる。
  論文  参考訳（メタデータ） (2022-03-23T11:33:27Z)
• Lidar Light Scattering Augmentation (LISA): Physics-based Simulation of Adverse Weather Conditions for 3D Object Detection [60.89616629421904]
  ライダーベースの物体検出器は、自動運転車のような自律ナビゲーションシステムにおいて、3D知覚パイプラインの重要な部分である。 降雨、雪、霧などの悪天候に敏感で、信号-雑音比(SNR)と信号-背景比(SBR)が低下している。
  論文  参考訳（メタデータ） (2021-07-14T21:10:47Z)
• Cycle and Semantic Consistent Adversarial Domain Adaptation for Reducing Simulation-to-Real Domain Shift in LiDAR Bird's Eye View [110.83289076967895]
  ドメイン適応プロセス中に関心のある小さなオブジェクトの情報を保存するために,事前の意味分類を用いたサイクガンに基づくbevドメイン適応法を提案する。 生成したBEVの品質は,KITTI 3D Object Detection Benchmarkの最先端3Dオブジェクト検出フレームワークを用いて評価されている。
  論文  参考訳（メタデータ） (2021-04-22T12:47:37Z)

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。