論文の概要: FVOS for MOSE Track of 4th PVUW Challenge: 3rd Place Solution

• arxiv url: http://arxiv.org/abs/2504.09507v1
• Date: Sun, 13 Apr 2025 10:14:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-15 16:52:05.121858
• Title: FVOS for MOSE Track of 4th PVUW Challenge: 3rd Place Solution
• Title（参考訳）: 第4回PVUWチャレンジのMOSEトラック用FVOS:第3位
• Authors: Mengjiao Wang, Junpei Zhang, Xu Liu, Yuting Yang, Mengru Ma,
• Abstract要約: ビデオオブジェクトPV(VOS)はコンピュータビジョンにおける最も基本的で困難なタスクの1つである。 本稿では,挑戦シーンにおける映像オブジェクトの正確なセグメンテーションを実現することを目的とする。
• 参考スコア（独自算出の注目度）: 2.9149767401557574
• License:
• Abstract: Video Object Segmentation (VOS) is one of the most fundamental and challenging tasks in computer vision and has a wide range of applications. Most existing methods rely on spatiotemporal memory networks to extract frame-level features and have achieved promising results on commonly used datasets. However, these methods often struggle in more complex real-world scenarios. This paper addresses this issue, aiming to achieve accurate segmentation of video objects in challenging scenes. We propose fine-tuning VOS (FVOS), optimizing existing methods for specific datasets through tailored training. Additionally, we introduce a morphological post-processing strategy to address the issue of excessively large gaps between adjacent objects in single-model predictions. Finally, we apply a voting-based fusion method on multi-scale segmentation results to generate the final output. Our approach achieves J&F scores of 76.81% and 83.92% during the validation and testing stages, respectively, securing third place overall in the MOSE Track of the 4th PVUW challenge 2025.
• Abstract（参考訳）: Video Object Segmentation (VOS) はコンピュータビジョンにおける最も基本的な課題の一つであり、幅広い用途がある。 既存のほとんどの手法は、フレームレベルの特徴を抽出するために時空間メモリネットワークに依存しており、一般的に使用されるデータセットで有望な結果を得た。 しかし、これらの手法はより複雑な現実世界のシナリオでしばしば苦労する。 本稿では,挑戦シーンにおける映像オブジェクトの正確なセグメンテーションを実現することを目的として,この問題に対処する。 本稿では、特定のデータセットに対する既存の手法を最適化した微調整VOS(FVOS)を提案する。 さらに, 単一モデル予測において, 隣接物体間の過度に大きなギャップが生じる問題に対処するために, 形態的後処理戦略を導入する。 最後に,マルチスケールセグメンテーション結果に投票に基づく融合法を適用し,最終的な出力を生成する。 提案手法は,検証段階でのJ&Fスコアが76.81%,試験段階で83.92%であり,第4回PVUWチャレンジ2025のMOSEトラックで総合3位となった。

関連論文リスト

• 3rd Place Solution for MOSE Track in CVPR 2024 PVUW workshop: Complex Video Object Segmentation [63.199793919573295]
  ビデオオブジェクト(VOS)はコンピュータビジョンにおいて重要なタスクであり、ビデオフレーム間の背景から前景オブジェクトを区別することに焦点を当てている。 我々の研究はCutieモデルからインスピレーションを得ており、オブジェクトメモリ、メモリフレームの総数、および入力解像度がセグメンテーション性能に与える影響について検討する。
  論文  参考訳（メタデータ） (2024-06-06T00:56:25Z)
• 1st Place Solution for 5th LSVOS Challenge: Referring Video Object Segmentation [65.45702890457046]
  主要なRVOSモデルの強みを統合して、効果的なパラダイムを構築します。 マスクの整合性と品質を改善するために,2段階のマルチモデル融合戦略を提案する。 第5回大規模ビデオオブジェクトチャレンジ(ICCV 2023)トラック3位にランクインしたRef-Youtube-VOS検証セットで75.7%,テストセットで70%のJ&Fを達成した。
  論文  参考訳（メタデータ） (2024-01-01T04:24:48Z)
• M$^3$Net: Multilevel, Mixed and Multistage Attention Network for Salient Object Detection [22.60675416709486]
  M$3$Netは、Salient Object Detectionのためのアテンションネットワークである。 マルチレベル特徴間の相互作用を実現するためのクロスアテンションアプローチ。 Mixed Attention Blockは、グローバルレベルとローカルレベルの両方でコンテキストをモデリングすることを目的としている。 集約された特徴をステージごとに最適化するためのマルチレベル監視戦略。
  論文  参考訳（メタデータ） (2023-09-15T12:46:14Z)
• MOSE: A New Dataset for Video Object Segmentation in Complex Scenes [106.64327718262764]
  ビデオオブジェクトセグメンテーション(VOS)は、ビデオクリップシーケンス全体を通して特定のオブジェクトをセグメンテーションすることを目的としている。 最先端のVOSメソッドは、既存のデータセット上で優れたパフォーマンス(例えば、90%以上のJ&F)を達成した。 我々は、複雑な環境でのトラッキングとセグメンテーションを研究するために、coMplex video Object SEgmentation (MOSE)と呼ばれる新しいVOSデータセットを収集する。
  論文  参考訳（メタデータ） (2023-02-03T17:20:03Z)
• 5th Place Solution for YouTube-VOS Challenge 2022: Video Object Segmentation [4.004851693068654]
  ビデオオブジェクトセグメンテーション(VOS)は、ディープラーニングの台頭とともに大きな進歩を遂げた。 類似の物体は容易に混同され、小さな物体を見つけるのが困難である。 本稿では,この課題に対する単純かつ効果的な解決法を提案する。
  論文  参考訳（メタデータ） (2022-06-20T06:14:27Z)
• Scalable Video Object Segmentation with Identification Mechanism [125.4229430216776]
  本稿では,半教師付きビデオオブジェクト(VOS)のスケーラブルで効果的なマルチオブジェクトモデリングを実現する上での課題について検討する。 AOT(Associating Objects with Transformers)とAOST(Associating Objects with Scalable Transformers)の2つの革新的なアプローチを提案する。 当社のアプローチは最先端の競合に勝って,6つのベンチマークすべてにおいて,例外的な効率性とスケーラビリティを一貫して示しています。
  論文  参考訳（メタデータ） (2022-03-22T03:33:27Z)
• Multi-scale Interactive Network for Salient Object Detection [91.43066633305662]
  本稿では,隣接レベルからの機能を統合するためのアグリゲート・インタラクション・モジュールを提案する。 より効率的なマルチスケール機能を得るために、各デコーダユニットに自己相互作用モジュールを埋め込む。 5つのベンチマークデータセットによる実験結果から,提案手法は後処理を一切行わず,23の最先端手法に対して良好に動作することが示された。
  論文  参考訳（メタデータ） (2020-07-17T15:41:37Z)
• Learning Fast and Robust Target Models for Video Object Segmentation [83.3382606349118]
  ビデオオブジェクトセグメンテーション(VOS)は、ターゲットオブジェクトを定義する初期マスクがテスト時にのみ与えられるため、非常に難しい問題である。 それまでのほとんどの場合、第1フレーム上のファイン・チューン・セグメンテーション・ネットワークにアプローチし、非現実的なフレームレートとオーバーフィッティングのリスクをもたらす。 本稿では,2つのネットワークコンポーネントからなる新しいVOSアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-02-27T21:58:06Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。