Multiagent Detection System Based on Spatial Adaptive Feature Aggregation
Notice bibliographique
Résumé
Detection systems based on computer vision play important roles in Large-Scale Multiagent Systems. In particular, it can automatically locate and identify key objects and enhance intelligent collaboration and coordination among multiple agents. However, classification and localization in object detection may produce inconsistent prediction results due to different learning focus. Therefore, we propose a Spatial Decoupling and Boundary Feature Aggregation Network (SDBA-Net) to achieve spatial decoupling and task alignment. SDBA-Net includes a spatially sensitive region-aware module (SSRM) and a boundary feature aggregation module (BFAM). SSRM predicts sensitive regions for each task while minimizing computational cost. BFAM extracts valuable boundary features within sensitive regions and aligns them with corresponding anchors. These two modules are combined to spatially decouple and align the features of two tasks. In addition, a significance dependency complementary module (SDCM) is introduced. It enables SSRM to quickly adjust the sensitive region of the classification task to the significant feature region. Experiments are conducted on a large-scale complex real-world dataset MS COCO (Lin et al., 2014). The results show that SDBA-Net achieves better results than the baselines. Using the ResNet-50 backbone, our method improves the average precision (AP) of the single-stage detector VFNet by 1.0 point (from 41.3 to 42.3). In particular, when using the Res2Net-101-DCN backbone, SDBA-Net achieves an AP of 51.8 on the MS COCO test-dev.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,001 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,000 |
| Méta-épidémiologie (sens large) | 0,001 | 0,001 |
| Bibliométrie | 0,001 | 0,001 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,001 | 0,002 |
| Science ouverte | 0,002 | 0,002 |
| Intégrité de la recherche | 0,001 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,002 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».