論文の概要: Sparse Recovery Bird's-Eye View Model Soup for Robust Camera-Based 3D Object Detection

• arxiv url: http://arxiv.org/abs/2610.34976v1
• Date: Mon, 26 Oct 2026 07:49:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.788697
• Title: Sparse Recovery Bird's-Eye View Model Soup for Robust Camera-Based 3D Object Detection
• Title（参考訳）: ロバストカメラによる3次元物体検出のためのスパースリカバリバードのアイビューモデル
• Abstract要約: 本稿では,余分なデータやアーキテクチャの変更を必要とせずに,清潔な精度と汚損性を改善する,スパースリカバリ学習手法を提案する。 提案手法は, 階層単位の重み度に基づいてプルーニング候補を特定し, ランダムプルーニングを適用し, 多様なスパースモデルを作成し, ランダムサンプル学習率で各モデルを再学習する。 nuScenesデータセットの実験では、汚職の堅牢性は最大33.8%向上し、Fast-BEVベースラインよりも1.8%向上した。
• 参考スコア（独自算出の注目度）: 7.568330842075295
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Camera-based bird's-eye view (BEV) perception methods such as Fast-BEV have demonstrated promising results with fast inference speed and competitive accuracy. However, their robustness to real-world corruptions remains insufficiently explored, posing risks for autonomous driving deployment where environmental variations are inevitable. In this paper, we propose Sparse Recovery Bird's-Eye View Model Soup (SR-BEVS), a sparse recovery learning approach that simultaneously improves clean accuracy and corruption robustness without requiring additional data or architectural modifications. Our method identifies pruning candidates based on layer-wise weight magnitudes, applies random pruning to create diverse sparse models, and retrains each model with a randomly sampled learning rate. By averaging these diverse recovered models into a single dense model, we achieve enhanced robustness against various corruptions while introducing zero inference overhead. We further provide a mode connectivity analysis demonstrating that our pruning-based diversification preserves the connected low-loss basin necessary for stable weight averaging. Experiments on the nuScenes dataset demonstrate up to 33.8% improvement in corruption robustness and a 1.8% gain in clean accuracy over the Fast-BEV baseline, with consistent improvements across sensor noise, weather distortions, and illumination changes. Our simple yet effective approach may be applicable to other BEV models.
• Abstract（参考訳）: Fast-BEVのようなカメラベースの鳥眼ビュー(BEV)の認識手法は、高速な推論速度と競争精度で有望な結果を示した。 しかし、現実世界の汚職に対するロバスト性はまだ十分に調査されておらず、環境変動が避けられない自動運転の展開のリスクを生じさせている。 本稿では,Sparse Recovery Bird's-Eye View Model Soup (SR-BEVS)を提案する。 提案手法は, 階層単位の重み度に基づいてプルーニング候補を特定し, ランダムプルーニングを適用し, 多様なスパースモデルを作成し, ランダムサンプル学習率で各モデルを再学習する。 これらの多種多様な復元モデルを1つの高密度モデルに平均化することにより、予測オーバーヘッドをゼロにしつつ、様々な汚職に対する強靭性を達成できる。 さらに, 安定な重量平均化に必要な連結低損失盆地を, プルーニングに基づく多様化が維持することを示すモード接続解析を行った。 nuScenesデータセットの実験では、汚染の堅牢性が最大33.8%向上し、Fast-BEVベースラインに対するクリーンな精度が1.8%向上した。 我々の単純で効果的なアプローチは、他のBEVモデルに適用できるかもしれない。

関連論文リスト

• RoHOI: Robustness Benchmark for Human-Object Interaction Detection [84.78366452133514]
  ヒューマン・オブジェクト・インタラクション(HOI)検出は、コンテキスト認識支援を可能にするロボット・ヒューマン・アシストに不可欠である。 HOI検出のための最初のベンチマークを導入し、様々な課題下でモデルのレジリエンスを評価する。 我々のベンチマークであるRoHOIは、HICO-DETとV-COCOデータセットに基づく20の汚職タイプと、新しいロバストネスにフォーカスしたメトリクスを含んでいる。
  論文  参考訳（メタデータ） (2025-07-12T01:58:04Z)
• A Black-Box Evaluation Framework for Semantic Robustness in Bird's Eye View Detection [24.737984789074094]
  我々は,BEVモデルを騙すために3つの一般的な意味摂動を逆向きに最適化するロバストネス評価フレームワークを開発する。 セマンティック摂動を最適化することで生じる課題に対処するため、mAPメトリックを置き換えるスムーズな距離に基づく代理関数を設計する。 最近の10種類のBEVモデルのセマンティックロバスト性に関するベンチマークを提供する。
  論文  参考訳（メタデータ） (2024-12-18T14:53:38Z)
• Benchmarking and Improving Bird's Eye View Perception Robustness in Autonomous Driving [55.93813178692077]
  本稿では,BEVアルゴリズムのレジリエンスを評価するためのベンチマークスイートであるRoboBEVを紹介する。 検出,マップセグメンテーション,深さ推定,占有予測といったタスクにまたがる33の最先端のBEVベースの知覚モデルを評価する。 また, 事前学習や深度自由なBEVトランスフォーメーションなどの戦略が, アウト・オブ・ディストリビューションデータに対するロバスト性を高める上で有効であることを示す。
  論文  参考訳（メタデータ） (2024-05-27T17:59:39Z)
• Benchmarking Zero-Shot Robustness of Multimodal Foundation Models: A Pilot Study [61.65123150513683]
  CLIPのようなマルチモーダル基盤モデルは、最先端のゼロショット結果を生成する。 これらのモデルは、ImageNetでトレーニングされた教師付きモデルのパフォーマンスを一致させることで、ロバスト性ギャップを埋めることが報告されている。 CLIPは、ベンチマーク上の教師付きImageNetモデルと比較して、かなりの堅牢性低下をもたらすことを示す。
  論文  参考訳（メタデータ） (2024-03-15T17:33:49Z)
• Robo3D: Towards Robust and Reliable 3D Perception against Corruptions [58.306694836881235]
  我々は,3次元検出器とセグメンタのロバスト性を,アウト・オブ・ディストリビューションのシナリオで検証するための,最初の総合的なベンチマークであるRobo3Dを紹介する。 気象条件の悪化,外乱,センサの故障などに起因する8種類の汚職について検討した。 本稿では,モデルレジリエンスを高めるための簡易なフレキシブルなボキセル化戦略とともに,密度に敏感なトレーニングフレームワークを提案する。
  論文  参考訳（メタデータ） (2023-03-30T17:59:17Z)

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。