본 논문은 동적인 교통 감시와 같이 데이터 분포가 변화하는 환경에서 클라우드-엣지 객체 탐지의 성능 향상을 위해 고품질 의사 레이블 생성 방법인 CA-HQP (Cloud-Adaptive High-Quality Pseudo-label generation)를 제안합니다. 기존 방법들이 신뢰할 수 있는 클라우드 모델을 가정하고 복잡한 분포 변화에 어려움을 겪는다는 한계를 극복하기 위해, CA-HQP는 학습 가능한 Visual Prompt Generator (VPG)와 이중 특징 정렬(DQFA와 TIAFA)을 클라우드 모델 업데이트에 통합합니다. VPG는 시각적 프롬프트를 주입하여 매개변수 효율적인 적응을 가능하게 하고, DQFA는 장면 수준의 변화를, TIAFA는 인스턴스 변화를 포착하여 도메인 불일치를 완화합니다. Bellevue 교통 데이터셋 실험 결과, CA-HQP는 기존 방법보다 의사 레이블 품질을 크게 향상시켜 엣지 모델의 성능을 향상시키는 것을 보여줍니다. 에이블레이션 연구는 각 구성 요소(DQFA, TIAFA, VPG)와 결합된 정렬 전략의 시너지 효과를 검증하여 진화하는 시나리오에서 강력한 객체 탐지를 위한 적응형 클라우드 업데이트 및 도메인 적응의 중요성을 강조합니다.
