論文の概要: Agent-Wise Test-Time Normalization for Camera-Based Cooperative Perception with Corrupted Collaborators

• arxiv url: http://arxiv.org/abs/2610.39505v1
• Date: Thu, 29 Oct 2026 07:05:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-01 01:32:10.055714
• Title: Agent-Wise Test-Time Normalization for Camera-Based Cooperative Perception with Corrupted Collaborators
• Title（参考訳）: 閉鎖型協調作業者によるカメラによる協調知覚のためのエージェントワイズ試験時間正規化
• Abstract要約: 中間融合協調認識により、車両は近くのエージェントが共有する特徴を融合させることで、自身の視野を越えて物体を検出することができる。 本稿では,エージェントワイドテスト時正規化手法であるAgentNormを提案する。
• 参考スコア（独自算出の注目度）: 21.401467175062013
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Intermediate-fusion cooperative perception lets a vehicle detect objects beyond its own field of view by fusing features shared by nearby agents. When only a collaborator's cameras are degraded by fog, motion blur or exposure errors, the features it shares drift away from the training distribution while the ego input stays clean, and cooperation can become worse than not cooperating at all. Test-time batch-normalization adaptation, the standard training-free remedy, estimates statistics over the pooled batch of all agents and therefore normalizes both the clean ego and the corrupted collaborator with a mixture of two distributions. We show that this mixing harms even the clean ego: when the ego shares BN statistics with a corrupted collaborator, its detection from its own features drops by 3.58 to 6.68 AP@0.5 points although its cameras are untouched. We propose AgentNorm, an agent-wise test-time normalization that i) estimates the normalization statistics of every collaborator from its own current observation and ii) anchors the ego to its source statistics, so that the ego path remains exactly the original model. AgentNorm has no learnable parameters, needs no gradients or labels, is independent of the order of test frames, and runs locally on each agent without changing the transmitted features. On camera-based OPV2V with four fusion checkpoints and collaborator-only corruptions, AgentNorm raises AP@0.5 under severity-5 fog from 29.42-37.25 to 43.32-58.86 and outperforms pooled normalization by 5.53-12.94 points under fog and motion blur, at an extra latency of 2.3 ms per frame. On the real-world DAIR-V2X-C dataset, it outperforms pooled normalization in all ten infrastructure-corruption settings. We also report the cases it does not fix: occlusion, which removes image content rather than shifting feature statistics, and the case in which all agents share the same shift.
• Abstract（参考訳）: 中間融合協調認識により、車両は近くのエージェントが共有する特徴を融合させることで、自身の視野を越えて物体を検出することができる。 共同作業員のカメラだけが霧や動きのぼかし、露出エラーによって劣化した場合、それが共有する特徴はトレーニング分布から逸脱し、エゴ入力はクリーンであり、協調が全く協力しないよりも悪化する可能性がある。 テストタイムバッチ正規化適応(標準トレーニング不要の治療法)は、全てのエージェントのプールされたバッチに関する統計を推定し、クリーンエゴと破損したコラボレータの両方を2つの分布の混合で正規化する。 我々は、この混合がクリーンなエゴにも害を及ぼすことを示している:エゴがBN統計を破損したコラボレータと共有すると、カメラが触れていないにもかかわらず、その特徴から検出される値は3.58から6.68 AP@0.5ポイントに減少する。 我々はエージェントワイドなテスト時間正規化であるAgentNormを提案する。 一 全ての協力者の正規化統計をその現在の観測から推定すること。 ii) egoをそのソース統計に固定するので、egoパスは、正確に元のモデルのままである。 AgentNormには学習可能なパラメータがなく、グラデーションやラベルが不要で、テストフレームの順序とは独立しており、送信された機能を変更することなく各エージェント上でローカルに実行される。 4つの融合チェックポイントとコラボレータのみの汚職を持つカメラベースのOPV2Vでは、AgenNormは29.42-37.25から43.32-58.86までの重大な5つの霧の下でAP@0.5を上昇させ、1フレームあたり2.3msの遅延で5.53-12.94点の霧と動きのぼかしで正常化をプールした。 現実世界のDAIR-V2X-Cデータセットでは、10のインフラストラクチャ破壊設定すべてにおいて、プールされた正規化よりも優れています。 排他的(Occlusion) – 特徴統計をシフトするのではなく、画像の内容を削除するもので、すべてのエージェントが同じシフトを共有するケースである。

関連論文リスト

• Verifying Coordination in Parallel Coding Agents: NP-Bench and a Scheduling Planner [0.0]
  コーディングエージェントのチームは、エージェントによって優れたエージェントに見えるが、チームとして失敗する。 各作業項目の宣言されたスコープを取得し、不整合スコープに分割し、プロデューサ>コンシューマグラフに沿ってマージを順序付けする。 我々は、このプランナーをNerveplaneに組み込み、環境条件下での3本腕ベンチマークであるNP-Benchで評価する。
  論文  参考訳（メタデータ） (2026-10-05T19:02:27Z)
• Testing-Driven Reliability Audit of Trajectory-Based Early Outcome Prediction for LLM Agents: Target-Specific Calibration Transfer Persists Within a Single Benchmark [0.0]
  軌道に基づく早期結果の予測は、結果が十分に予測可能になったときにランを終了させることにより、エージェント評価に関連する費用を削減できる。 このような転送障害がエージェントシステムにまたがっているのか、あるいは特定のターゲットエージェント/ヘッドの組み合わせに集中しているのかは不明だ。 パブリックなSWE-bench Verified trajectoriesと凍結したデュアルヘッド早期アウト予測パイプラインを使用して、我々は、Left-one-agent-out calibration auditを実行した。
  論文  参考訳（メタデータ） (2026-09-22T03:57:30Z)
• Beyond the Transcript: Detecting Covert Co ordination in Latent Multi-Agent Communication [19.840551611758247]
  言語モデルエージェントは、公開文書で見えない連続的な隠れた状態を通じて通信することができる。 本稿では,これらのプライベート通信チャネルの監視とステアリングのためのアクティベーション対応フレームワークであるVerifiable Latent Alignments (VLA)を紹介する。
  論文  参考訳（メタデータ） (2026-08-19T17:43:22Z)
• Hallucination as Context Drift: Synchronization Protocols for Multi-Agent LLM Systems [0.0]
  マルチエージェントLLMシステムは、モデル欠陥だけでは説明できない幻覚出力を生成する。 エージェントが共有世界状態のミスマッチや古い表現で協調作業に入ると、それらの共同推論は幻覚として表される矛盾を生み出す。 本稿では,圧縮状態の要約を定期的に交換する共有状態検証プロトコル(SSVP,Shared State Verification Protocol)を提案する。
  論文  参考訳（メタデータ） (2026-06-19T18:17:45Z)
• Taming Actor-Observer Asymmetry in Agents via Dialectical Alignment [59.536125286960186]
  セルフリフレクションと相互監査を可能にするために、専門的な役割を割り当てるマルチエージェントフレームワークがますます採用されている。 アクター・オブザーバ非対称性(Actor-Observer Asymmetric)と呼ばれる認知バイアスを同時に誘発する。 ReTASは、対立する視点を客観的なコンセンサスに合成するためにエージェントを誘導する。
  論文  参考訳（メタデータ） (2026-04-21T15:05:58Z)
• Beyond Reward: A Bounded Measure of Agent Environment Coupling [0.0]
  両予測可能性 (P) は, 観測, 行動, 結果ループにおける共有情報の合計情報に対する比率として導入する。 補助モニタであるIDT(Information Digital Twin)は、インタラクションストリームからPとその診断コンポーネントを演算する。 我々は,MuJoCo HalfCheetahのSACおよびPPO剤を8剤,環境側摂動を168試験で評価した。
  論文  参考訳（メタデータ） (2026-03-01T21:38:39Z)
• Collaborative Value Function Estimation Under Model Mismatch: A Federated Temporal Difference Analysis [55.13545823385091]
  フェデレーション強化学習(FedRL)は、エージェント間のデータ交換を防止し、データのプライバシを維持しながら協調学習を可能にする。 現実世界のアプリケーションでは、各エージェントは若干異なる遷移ダイナミクスを経験し、固有のモデルミスマッチを引き起こす。 情報共有の適度なレベルでさえ、環境固有のエラーを著しく軽減することを示す。
  論文  参考訳（メタデータ） (2025-03-21T18:06:28Z)
• Malicious Agent Detection for Robust Multi-Agent Collaborative Perception [52.261231738242266]
  多エージェント協調(MAC)知覚は、単エージェント認識よりも敵攻撃に対して脆弱である。 MAC知覚に特異的な反応防御であるMADE(Malicious Agent Detection)を提案する。 我々は、ベンチマーク3DデータセットV2X-simとリアルタイムデータセットDAIR-V2Xで包括的な評価を行う。
  論文  参考訳（メタデータ） (2023-10-18T11:36:42Z)
• Joint Noise-Tolerant Learning and Meta Camera Shift Adaptation for Unsupervised Person Re-Identification [60.36551512902312]
  unsupervised person re-identification (re-ID) は、ラベルのないデータで識別モデルを学ぶことを目的としている。 一般的な方法としては、クラスタ化によって擬似ラベルを取得し、モデルを最適化するために使用する方法がある。 本稿では,両問題を解決するための統一フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-03-08T09:13:06Z)

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。