CoBEVMoE: 動的Mixture-of-Expertsによる異種性を考慮した協調知覚のための特徴融合

- 複数エージェント間で情報共有し、sensing coverage と perception accuracy を高める Collaborative perception の新フレームワーク CoBEVMoE を提案。 - Bird's Eye View (BEV) 空間で動作し、Dynamic Mixture-of-Experts (DMoE) を組み込む。 - 各 expert を特定エージェントの入力特徴から動的に生成し、共有 semantics を見つつ固有で信頼できる cues を抽出。 - 融合過程でエージェント間の feature similarity と heterogeneity の両方を明示的にモデル化する。

- 既存の intermediate fusion 手法は類似特徴の alignment に主眼を置き、エージェント間の perceptual diversity を軽視していた。 - 本手法は heterogeneity を陽に扱う点が差分。 - DMoE により expert を入力特徴から動的生成し、類似性と異質性の双方を同時にモデル化。 - Dynamic Expert Metric Loss (DEML) で expert 間 diversity と fused representation の discriminability を高める。

- BEV 空間での collaborative perception フレームワーク。 - Dynamic Mixture-of-Experts (DMoE): 各 expert を特定エージェントの入力特徴に基づき動的生成。 - expert は共有 semantics に attend しつつ、そのエージェント固有の信頼できる cues を抽出。 - Dynamic Expert Metric Loss (DEML) を導入し、inter-expert diversity と fused representation の識別性を向上。 - これにより融合時に feature similarity と heterogeneity を明示的にモデル化。

- OPV2V と DAIR-V2X-C の2データセットで extensive experiments を実施。 - Camera-based BEV segmentation の IoU が OPV2V で +1.5% 向上。 - LiDAR-based 3D object detection の AP@0.5 が DAIR-V2X-C で +3.0% 向上。 - state-of-the-art performance を達成し、expert-based heterogeneous feature modeling の有効性を確認。

- 要旨からは不明（heterogeneity を陽にモデル化する設計の限界や計算コスト、expert 数依存性などの議論は要旨に記載なし）。 - 要旨では perceptual diversity の軽視という既存手法の課題を動機として提示。 - source code 公開予定との記載あり。

- 比較対象として言及される intermediate fusion 系の collaborative perception 研究（具体名は要旨に記載なし）。 - OPV2V を用いる collaborative perception の定番ベースライン（例: V2VNet, AttFuse）。 - DAIR-V2X-C を用いる V2X collaborative perception 研究。 - Mixture-of-Experts を用いた feature fusion 関連手法。