CrossVL: Complexity-Aware Feature Routing and Paired Curriculum for Cross-View Vision-Language Detection

작성자

Haebom

카테고리

Empty

저자

Zhipeng Liu, Chunbo Luo

💡 개요

본 논문은 지상 및 항공 시점 간의 기하학적 차이로 인해 발생하는 성능 저하 문제를 해결하기 위해 CrossVL 프레임워크를 제안한다. CrossVL은 복잡도 인지 경로 통합(CPA)을 통해 시점별 특징 표현을 얻고, 쌍을 이루는 커리큘럼 학습(PCL)을 통해 안정적인 초기 지도 학습과 점진적인 무작위 샘플링을 활용한다. 이를 통해 CrossVL은 MAVREC 데이터셋에서 Florence-2 모델의 성능을 향상시키고 지상-항공 시점 간 성능 격차를 줄이며, 결과의 일관성을 크게 개선하는 성과를 보였다.

🔑 시사점 및 한계

•

시점 간 복잡도 차이를 인지하고 이에 맞춰 시각 특징을 효과적으로 라우팅하는 것이 교차 시점(cross-view) 비전-언어 탐지 성능 향상에 중요하다.

•

동기화된 지상-항공 이미지 쌍을 활용한 커리큘럼 학습은 모델 학습 안정성을 높이고 성능을 개선하는 효과적인 방법이다.

•

제안된 방법론의 일반화 성능 및 다른 유형의 시점 변화(예: 다른 각도, 조명 변화)에 대한 강건성 검증이 추가적으로 필요하다.

PDF 보기

Made with Slashpage