自動運転における物体検出では、正確な位置特定に加えて、共起する物体間の関係的な文脈を理解することが不可欠である。しかし、極めて複雑で異種の環境では、希少クラス、小規模物体、頻出物体を標準的な物体検出フレームワークで扱うことは困難である。本論文では、Context-Centric Feature Fusion（CCFF）と呼ばれる新しいフレームワークを提案する。これは2つのアテンションベースのモジュールを利用する。Local Context Fusion Module（LCFM）はRoI間の自己アテンション機構を用いて空間的相互作用を解決し、主に小さく部分的に隠れた物体を考慮する。一方、Global Context Attention Module（GCAM）は、上位K個のRoI特徴をプーリングしてグローバルコンテキストアテンショントークンに変換することで、物体の共起事前分布を符号化し、ピクセルレベルのグローバルプーリングの計算オーバーヘッドを回避する。局所特徴とオブジェクト中心のグローバル特徴の融合により、文脈化された埋め込みが生成され、分類結果と共起物体検出が向上する。
本手法はCityscapesとBDD100Kの2つのデータセットで評価され、関係一貫性の大幅な改善を示し、カテゴリレベル一貫性戦略（CCS）はそれぞれ0.973と0.969を達成した。さらに、小物体検出（AP_S: 14.1%）で大幅な向上を実現し、大規模分布では通常失われる「Train」などの希少クラスを回復することに成功した。効率レポートによると、フレームワークは0.2 FPSのオーバーヘッドでリアルタイムに画像を処理する。コードはGitHubで公開されている。
本論文はCVPR 2026 Precognition Workshopに採択され、8ページ、3図からなる。著者はBinay Kumar Singhら2名である。2026年6月10日に投稿され、コンピュータビジョンとパターン認識（cs.CV）に分類されている。この研究は、アテンション機構を通じて局所と大域の文脈を効果的に融合し、精度を向上させつつリアルタイム性を維持する点で、自動運転における共起物体検出に新たな道を開くものである。