CoDeRNet: Selective Cross-Task Routing under Heterogeneous Supervision for Change Detection and Captioning
Pubblicata su AIChronos il · fonte del · Eunki Cho, Hyeon Bae Kim, Seong Tae Kim
CoDeRNet è un framework unificato per il Change Detection and Captioning (CDC) che affronta la sfida della supervisione eterogenea riformulando il problema come una selezione di instradamento dell'informazione tra rami di task specifici. Il modello introduce un meccanismo Confidence-Decomposed Routing (CoDeR) che scompone le condizioni di routing nei bisogni del ricevente e nelle indicazioni di affidabilità del mittente per guidare trasferimenti selettivi. Questo approccio preserva le rappresentazioni specifiche dei task mentre abilita uno scambio bidirezionale di informazioni complementari, migliorando la generazione delle didascalie senza compromettere la localizzazione dei cambiamenti.
- Riformulazione del CDC come problema di instradamento selettivo dell'informazione tra rami eterogenei sotto supervisione diversa.
- Il meccanismo CoDeR utilizza segnali di affidabilità dal mittente e bisogni di supporto dal ricevente per decidere quando trasferire informazioni.
- L'architettura preserva le rappresentazioni specifiche dei task mentre facilita un flusso bidirezionale di dati complementari.
- Gli esperimenti su LEVIR-MCI e WHU-CDC dimostrano miglioramenti significativi nella generazione delle didascalie mantenendo prestazioni competitive nella localizzazione.
- L'efficacia deriva esplicitamente dalla modellazione del routing selettivo incrociato piuttosto che dall'apprendimento congiunto generico.
Perché conta. Per uno sviluppatore di sistemi AI locali o agenti, CoDeRNet offre un paradigma per gestire task multipli con granularità di supervisione diversa senza degradare le prestazioni specifiche. La tecnica del routing selettivo basato sulla fiducia è applicabile a scenari in cui diversi moduli (es. rilevamento e descrizione) devono collaborare dinamicamente condividendo risorse computazionali solo quando statisticamente giustificato.
Scheda generata automaticamente da un modello AI locale a partire dalla fonte originale: può contenere imprecisioni.