セグメンテーション2026/9/29arXiv:2609.37602

適応すべき時: オープンボキャブラリセグメンテーションにおける効率的な訓練不要適応のためのマルチシグナルドメインシフト検出

When to Adapt: Multi-Signal Domain Shift Detection for Efficient Training-Free Adaptation in Open-Vocabulary Segmentation

シェア:X Threads Facebook LINE はてブ Bluesky

連続フレームの時間的一貫性を利用し、視覚変化・アダプタ不一致・意味ドリフトを組み合わせてドメインシフトを検出し、必要な時だけ訓練不要の適応をトリガーすることで、オープンボキャブラリセグメンテーションの精度を維持しつつ適応回数を大幅に削減する手法を提案。

詳しい要約

1. どんなもの？

- どんなもの？ - 自律ロボットの長期運用を想定したopen-vocabulary semantic segmentationの研究。 - Visual Foundation Models (VFMs) はdomain shiftで性能劣化するため、training-free domain adaptationが必要。 - 従来のper-frame適応は資源制約のあるロボットハードウェアでは非現実的。 - そこでmulti-signal domain shift detectionを提案し、必要な時だけ適応を発火するTF-CTTAを実現。 - 適応回数を大幅に削減しつつsegmentation精度を維持する。

2. 先行研究と比べてどこがすごい？

- 先行研究と比べてどこがすごい？ - 従来のtraining-free domain adaptationはper-frameで適応し、計算資源を浪費していた。 - 提案法はtemporal coherenceを利用し、適応を必要な時だけトリガーする。 - これにより資源制約のあるロボット実機でも実行可能な効率性を実現。 - 精度を維持しながら適応回数を大幅に削減できる点が新しい。

3. 技術・手法の肝は？

- 技術や手法の肝はどこ？ - multi-signal domain shift detectionを採用。 - 連続フレーム間のtemporal coherenceを監視。 - 相補的なdomain shiftの側面を組み合わせる：visual change、adapter mismatch、semantic drift。 - これらの信号に基づき、適応が必要な時のみTF-CTTAを発火。 - 軽量adapterをオンラインで調整するtraining-free continual test-time adaptation。

4. どうやって有効だと検証した？

- どうやって有効だと検証した？ - indoorおよびoutdoor環境を含むベンチマークで検証。 - 実ロボットデータを使用。 - segmentation精度を維持しつつ、適応回数を大幅に削減することを実証。 - 長期実世界ロボット展開への実用性と実現可能性を示した。

5. 議論はある？

- 議論はある？ - 要旨からは不明。 - 提案法の限界や失敗ケース、計算コストの詳細、他手法との定量比較などは記述されていない。

6. 次に読むべき論文は？

- 次に読むべき論文は？ - 要旨で参照/比較されている研究は明示されていない。 - 関連手法としてtraining-free domain adaptation、test-time adaptation (TTA)、continual test-time adaptation (CTTA)、open-vocabulary semantic segmentation、Visual Foundation Models (VFMs) の代表的論文を挙げる。 - 具体的にはTENT、CoTTA、SAR、CLIP、SAMなどが同分野の定番として読む価値がある。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Michele Antonazzi, Alejandra C. Hernandez, José Araujo, Olov Andersson, Patric Jensfelt

分類: cs.RO, cs.CV

原文アブストラクト

Robust and reliable perception is essential for autonomous robots operating in real-world environments, particularly in long-term missions where environmental conditions may change significantly over time. Although recent advances in Visual Foundation Models (VFMs) have improved open-vocabulary semantic segmentation, these models can still suffer from domain shift, which can significantly degrade performance if they are not adapted to the current environment. Training-free domain adaptation is a relevant paradigm for adaptation, consisting of adjusting the model online using lightweight adapters. Recent approaches apply this on a per-frame basis, which is impractical for deployments on resource-constrained robotic hardware. To tackle this, we propose a multi-signal domain shift detection method for training-free continual test-time adaptation (TF-CTTA) in open-vocabulary segmentation. Our method leverages temporal coherence across consecutive frames by monitoring and combining complementary aspects of domain shift (visual change, adapter mismatch, and semantic drift) to trigger adaptation only when needed. We validate our approach on a benchmark including indoor and outdoor environments and using real robotic data. We demonstrate that our approach maintains segmentation accuracy while substantially reducing adaptations, making training-free adaptation practical and feasible for long-term, real-world robotic deployments.

arXivで原文を読む →arXiv概要ページ

適応すべき時: オープンボキャブラリセグメンテーションにおける効率的な訓練不要適応のためのマルチシグナルドメインシフト検出

詳しい要約

1. どんなもの？

2. 先行研究と比べてどこがすごい？

3. 技術・手法の肝は？

4. どうやって有効だと検証した？

5. 議論はある？

6. 次に読むべき論文は？

原文アブストラクト

関連論文