論文の概要: Fast Instinct, Slow Reason: A Dual-Speed Agentic Framework for Self-Configuring Multi-Object Tracking in Satellite Video

• arxiv url: http://arxiv.org/abs/2610.33396v1
• Date: Sat, 24 Oct 2026 02:06:09 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.318579
• Title: Fast Instinct, Slow Reason: A Dual-Speed Agentic Framework for Self-Configuring Multi-Object Tracking in Satellite Video
• Title（参考訳）: 高速直感・スロー推論:衛星ビデオにおける多物体追跡の自己構成のための2段階高速エージェントフレームワーク
• Abstract要約: 衛星ビデオにおけるマルチオブジェクト追跡は、永続的な監視の基盤となるが、オフラインで調整されたトラッカーには、数十秒の観測で適応するインテリジェンスと効率が欠如している。 本稿では,オフラインでコンパイルされた高速直感と,一般化に寄与する緩やかな理由をペアリングする二速エージェントフレームワークを提案する。 SatMTBとSatVideoDTの3つの検出器では、AUSPEXはIDF1を2.84ポイントから2.94ポイント、MOTAを3.21ポイントから3.29ポイントに引き上げ、精度とラベルのバランスが16の手法の中で最も良く、1.25の追跡パスで0.28 IDF1ポイントを失う。
• 参考スコア（独自算出の注目度）: 13.740898235074907
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Multi-object tracking in satellite video underpins persistent monitoring, yet offline-tuned trackers lack the onboard intelligence and efficiency to adapt within an observation of tens of seconds. The root is that adaptation still means relabelling and retraining the detector, which cannot run on board in time. Tuning the tracker configuration strongly controls accuracy without touching the network, yet search needs labelled or proxy evaluations, and a language agent costs seconds and tokens per decision. We propose a dual-speed agentic framework pairing a fast instinct compiled offline with a slow reason serving the mission. Its algorithm, Arbitration of Unlabelled Shortlists from Prior Experience, or AUSPEX, learns a covering shortlist and a label-free ranker from labelled source tasks and commits one configuration per sequence. Its system, a Cascaded Onboard Runtime with Verified Uplinked Skills, or CORVUS, cascades reflex, skill, and agent layers, so that a verified skill commits 2.5 s into each observation while a language agent serves natural- language missions. On SatMTB and SatVideoDT with three recent detectors, AUSPEX raises IDF1 by 2.84 to 2.94 points and MOTA by 3.21 to 3.29 points on average without target labels, balances accuracy and labels best among sixteen methods, and loses at most 0.28 IDF1 points at 1.25 tracking passes. CORVUS executes four missions with execution accuracy up to 0.99 and target recall at the perception ceiling, spends no token on the routine decision, runs on Jetson Xavier NX, and hosts fifteen language models from six families without altering any commitment, demonstrating its extensibility and generalization.
• Abstract（参考訳）: 衛星ビデオにおけるマルチオブジェクト追跡は、永続的な監視の基盤となるが、オフラインで調整されたトラッカーには、数秒の観測で適応するインテリジェンスと効率性が欠けている。 根本は、適応は依然として検知器の遅延と再訓練を意味しており、時間内には実行できないということだ。 トラッカー設定のチューニングはネットワークに触れることなく正確さを強く制御するが、検索にはラベル付けやプロキシによる評価が必要であり、言語エージェントは決定毎に数秒とトークンを消費する。 本稿では、オフラインでコンパイルされた高速な直感をミッションに役立てる2速エージェントフレームワークを提案する。 そのアルゴリズムであるArbitration of Unlabelled Shortlists from Prior Experience (AUSPEX)は、ラベル付きソースタスクからカバーショートリストとラベルなしローダを学び、シーケンス毎に1つの構成をコミットする。 そのシステムであるCascaded Onboard Runtime with Verified Uplinked Skills, CORVUS, Cascades reflex, skill, agent Layerは、検証済みのスキルが各観察に2.5秒コミットし、言語エージェントが自然言語のミッションを遂行する。 SatMTBとSatVideoDTの3つの検出器では、AUSPEXはIDF1を2.84ポイントから2.94ポイント、MOTAを3.21ポイントから3.29ポイントに引き上げ、精度とラベルのバランスが16の手法の中で最も良く、1.25の追跡パスで0.28 IDF1ポイントを失う。 CORVUSは実行精度0.99までの4つのミッションを実行し、認識天井でのリコールを目標とし、通常の決定にトークンを使わず、Jetson Xavier NXで実行し、6つのファミリーから15の言語モデルをホストし、その拡張性と一般化を実証している。

関連論文リスト

• AgentHorizon: Evaluating Agentic Judges for Long-Horizon Computer-Use Tasks [67.28108897589799]
  AgentHorizonは、1,373のコンピュータ利用タスクのベンチマークである。 同様の(しかし互換性のない)要求を完了したのと、成功した軌道を区別する能力について、審査員を評価した。 我々の最高のエージェント・ジャッジであるGPT-5.5は、AHサブセット上で80.9%のバランスの取れた精度を達成する。
  論文  参考訳（メタデータ） (2026-10-08T01:03:48Z)
• APEXA: Execution-Integrity Enforcement for Multi-Agent LLM Automation of Synchrotron Data Reduction [0.23332469289621782]
  我々は、シンクロトロンデータリダクションのための61のツールをコーディネートするフレームワークAPEXAを提案する。 決定論的実行統合ガードは、実行されていないツール呼び出しの結果を返すのを防ぐ。 また,APEXA-Benchは科学的正当性と身体的影響によって構成された58の施設タスクである。
  論文  参考訳（メタデータ） (2026-09-21T06:33:11Z)
• SCX Router: Streaming Zero-Shot Model Selection with a Decoder-KV Classifier and a Real-World Task Ontology [47.16406021922537]
  本稿では,GLiClassをベースとした軽量ルータであるルータを紹介し,自動生成なしで各推論時間モデルラベルに適合点を割り当てる。 タスク生成には、23のファミリー、115のタスクタイプ、345のルータブルなサブタイプ、1,173の合成例と30のドメインの軸を持つタスク構造を構築する。 次に、これらのタスクでQwen3デコーダをトレーニングし、学習された要求予測を、適格性、コスト、キャッシュ再利用、安全性、主権といった属性に対するタスクごとのポリシーから明確に分離します。
  論文  参考訳（メタデータ） (2026-09-02T08:40:07Z)
• BekchiAI: Measuring, Observing, and Controlling LLM Agents in One Click [0.0]
  本稿では,エージェントスキル測定のためのベンチマークであるBekchiAIと,ライブエージェントの監視と制御のためのプラットフォームについて紹介する。 BekchiAI-Platformは、デプロイされたエージェントのための補完的なWebベースの可観測性とコントロールレイヤであり、完全なトークンとテレメトリとリモート実行終了を提供する。
  論文  参考訳（メタデータ） (2026-08-27T09:30:08Z)
• AgentAtlas: Beyond Outcome Leaderboards for LLM Agents [0.025718125188898048]
  AgentAtlasは、診断語彙および監査プロトコルとしてのエージェント評価を再設定する。 i)6状態制御-決定分類(Act / Ask / Refuse / Stop / Confirm / Recover)、(ii)一次誤差源と下流衝撃を持つ軌道障害語彙、(iv)8つのモデルで評価された合成1,342-itemに関する実証的プロトコル研究。
  論文  参考訳（メタデータ） (2026-05-19T22:05:12Z)
• ARGOS: Who, Where, and When in Agentic Multi-Camera Person Search [49.61286310968402]
  我々は,対話型推論問題として,マルチカメラの人物探索を再構成する最初のベンチマークとフレームワークであるARGOSを紹介する。 ARGOSエージェントはあいまいな目撃声明を受け取り、何を尋ねるか、いつ空間的または時間的ツールを呼び出すか、不明瞭な応答をどう解釈するかを判断しなければならない。 このベンチマークは、意味的知覚(Who)、空間的推論(Where)、時間的推論(When)の3つのプログレッシブトラックにおいて、14の現実世界シナリオにまたがる2,691のタスクからなる。
  論文  参考訳（メタデータ） (2026-04-14T14:06:19Z)
• Exploring Visual Context for Weakly Supervised Person Search [155.46727990750227]
  人探索は、歩行者の検出と人物の再識別を共同で扱う、困難なタスクとして最近登場した。 既存のアプローチは、バウンディングボックスとIDアノテーションの両方が利用可能な完全に教師付き設定に従っている。 本稿では,ボックスアノテーションのみを用いた弱教師付き人物検索について実験的に考察する。
  論文  参考訳（メタデータ） (2021-06-19T14:47:13Z)
• Distractor-Aware Fast Tracking via Dynamic Convolutions and MOT Philosophy [63.91005999481061]
  実用的長期トラッカーは、典型的には3つの重要な特性を含む。 効率的なモデル設計、効果的なグローバル再検出戦略、堅牢な気晴らし認識メカニズム。 動的畳み込み (d-convs) と多重オブジェクト追跡 (MOT) の哲学を用いて, 注意をそらした高速トラッキングを実現するための2タスクトラッキングフレームワーク(DMTrack)を提案する。 我々のトラッカーはLaSOT, OxUvA, TLP, VOT2018LT, VOT 2019LTベンチマークの最先端性能を実現し, リアルタイム3倍高速に動作させる。
  論文  参考訳（メタデータ） (2021-04-25T00:59:53Z)
• Rethinking the competition between detection and ReID in Multi-Object Tracking [44.59367033562385]
  検出と識別の埋め込みを共同で学習するワンショットモデルは、マルチオブジェクトトラッキング(MOT)において大きな注目を集めている。 本稿では,タスク依存表現をよりよく学習するために,自己関係と相互関係を持つ新しい相互ネットワーク(REN)を提案する。 また,ID埋め込みの関連性を改善するために,意味レベルのミスアライメントを防止するスケールアウェア・アテンション・ネットワーク(SAAN)を導入する。
  論文  参考訳（メタデータ） (2020-10-23T02:44:59Z)
• Tracking by Instance Detection: A Meta-Learning Approach [99.66119903655711]
  本稿では,高性能トラッカー構築のための3段階の原理的手法を提案する。 我々は2つの現代的な検出器であるRetinaNetとFCOSをベースに、Retina-MAMLとFCOS-MAMLという2つのトラッカーを構築した。 両方のトラッカーは40FPSでリアルタイムに動作します。
  論文  参考訳（メタデータ） (2020-04-02T05:55:06Z)

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。