論文の概要: AutoQ-VIS: Improving Unsupervised Video Instance Segmentation via Automatic Quality Assessment
- arxiv url: http://arxiv.org/abs/2508.19808v1
- Date: Wed, 27 Aug 2025 11:52:41 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-08-28 19:07:41.61704
- Title: AutoQ-VIS: Improving Unsupervised Video Instance Segmentation via Automatic Quality Assessment
- Title（参考訳）: AutoQ-VIS: 自動品質評価による教師なしビデオインスタンスセグメンテーションの改善
- Authors: Kaixuan Lu, Mehmet Onurcan Kaya, Dim P. Papadopoulos,
- Abstract要約: ビデオインスタンス(VIS)は、ピクセルレベルのマスクと時間的一貫性ラベルの二重要求のため、重要なアノテーションの課題に直面している。
我々は、高品質な自己学習を通じてこのギャップを橋渡しする、新しい教師なしのフレームワークであるAutoQ-VISを紹介する。
提案手法は, 擬似ラベル生成と自動品質評価のクローズドループシステムを確立し, 合成映像から実映像へのプログレッシブ適応を実現する。
- 参考スコア（独自算出の注目度）: 3.558452956820138
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Video Instance Segmentation (VIS) faces significant annotation challenges due to its dual requirements of pixel-level masks and temporal consistency labels. While recent unsupervised methods like VideoCutLER eliminate optical flow dependencies through synthetic data, they remain constrained by the synthetic-to-real domain gap. We present AutoQ-VIS, a novel unsupervised framework that bridges this gap through quality-guided self-training. Our approach establishes a closed-loop system between pseudo-label generation and automatic quality assessment, enabling progressive adaptation from synthetic to real videos. Experiments demonstrate state-of-the-art performance with 52.6 $\text{AP}_{50}$ on YouTubeVIS-2019 val set, surpassing the previous state-of-the-art VideoCutLER by 4.4$\%$, while requiring no human annotations. This demonstrates the viability of quality-aware self-training for unsupervised VIS. The source code of our method is available at https://github.com/wcbup/AutoQ-VIS.
- Abstract（参考訳）: ビデオインスタンスセグメンテーション(VIS)は、ピクセルレベルのマスクと時間的一貫性ラベルの二重要求のため、重要なアノテーション課題に直面している。
近年のVideoCutLERのような教師なしの手法は、合成データによる光フロー依存を排除しているが、合成と現実のドメインギャップに制約されている。
我々は、高品質な自己学習を通じてこのギャップを橋渡しする、新しい教師なしのフレームワークであるAutoQ-VISを紹介する。
提案手法は, 擬似ラベル生成と自動品質評価のクローズドループシステムを確立し, 合成映像から実映像へのプログレッシブ適応を実現する。
52.6 $\text{AP}_{50}$ on YouTubeVIS-2019 val setでは、以前の最先端のVideoCutLERを4.4$$%上回り、人間のアノテーションは不要である。
これにより、教師なしVISにおける品質認識型自己学習の実現可能性を示す。
私たちのメソッドのソースコードはhttps://github.com/wcbup/AutoQ-VIS.comで公開されています。
関連論文リスト
- Bridging Video Quality Scoring and Justification via Large Multimodal Models [14.166920184033463]
古典的映像品質評価法(VQA)は、映像の視覚的忠実さと明瞭さを判断する数値スコアを生成する。
しかし、スコアはビデオの複雑な品質の次元を表現できず、適用性を制限する。
言語出力から恩恵を受け、ビデオ大マルチモーダルモデル(LMM)を命令チューニングによりVQAに適応させることは、この問題に対処する可能性がある。
論文 参考訳（メタデータ） (2025-06-26T05:02:25Z) - FlowCut: Unsupervised Video Instance Segmentation via Temporal Mask Matching [19.401125268811015]
FlowCutは、3段階のフレームワークで構成される教師なしのビデオインスタンスセグメンテーションの方法である。
最初の段階では、画像と光の流れの両方から特徴の親和性を利用して擬似インスタントマスクを生成する。
第2段階では、フレーム間の時間的マッチングにより、高品質で一貫した擬似インスタントマスクを含む短いビデオセグメントを構築する。
第3段階では、YouTubeVIS-2021ビデオデータセットを使用して、トレーニングインスタンスセグメンテーションセットを抽出し、ビデオセグメンテーションモデルをトレーニングします。
論文 参考訳（メタデータ） (2025-05-19T14:30:33Z) - Improving Weakly-supervised Video Instance Segmentation by Leveraging Spatio-temporal Consistency [9.115508086522887]
我々はEigen VISと呼ばれる弱い教師付き手法を導入し、他のVIS手法と比較して競争精度を向上する。
この方法は、時間固有値損失(TEL)とクリップレベルの品質コ効率(QCC)の2つの重要なイノベーションに基づいている。
コードはhttps://github.com/farnooshar/EigenVIS.comで公開されている。
論文 参考訳（メタデータ） (2024-08-29T16:05:05Z) - UVIS: Unsupervised Video Instance Segmentation [65.46196594721545]
ビデオキャプションインスタンスのセグメンテーションには、ビデオフレームをまたいだすべてのオブジェクトの分類、セグメンテーション、追跡が必要である。
UVISは,ビデオアノテーションや高密度ラベルに基づく事前学習を必要とせずに,ビデオインスタンスのセグメンテーションを行うことのできる,新しいUnsupervised Video Instance (UVIS) フレームワークである。
本フレームワークは,フレームレベルの擬似ラベル生成,トランスフォーマーベースのVISモデルトレーニング,クエリベースのトラッキングという3つの重要なステップで構成されている。
論文 参考訳（メタデータ） (2024-06-11T03:05:50Z) - DVIS-DAQ: Improving Video Segmentation via Dynamic Anchor Queries [60.09774333024783]
動的アンカークエリ(DAQ)を導入し、アンカーとターゲットクエリ間の遷移ギャップを短くする。
また,クエリレベルのオブジェクトEmergence and Disappearance Simulation(EDS)戦略を導入する。
実験により、DVIS-DAQは5つの主流ビデオセグメンテーションベンチマーク上で、新しい最先端(SOTA)性能を達成することが示された。
論文 参考訳（メタデータ） (2024-03-29T17:58:50Z) - A Generalized Framework for Video Instance Segmentation [49.41441806931224]
ビデオインスタンスセグメンテーション(VIS)コミュニティでは,複雑なシーケンスと隠蔽シーケンスによる長いビデオの処理が,新たな課題として浮上している。
我々は、挑戦的なベンチマーク上で最先端のパフォーマンスを達成するための、VISの一般化されたフレームワーク、すなわちGenVISを提案する。
我々は、YouTube-VIS 2019/2021/2022およびOccluded VIS (OVIS)上で、人気VISベンチマークに対する我々のアプローチを評価した。
論文 参考訳（メタデータ） (2022-11-16T11:17:19Z) - Two-Level Temporal Relation Model for Online Video Instance Segmentation [3.9349485816629888]
オフライン端末の性能に匹敵するオンライン手法を提案する。
オブジェクトをエンコードし、時間を通して関連付ける、メッセージパッシンググラフニューラルネットワークを導入する。
提案モデルは,YouTube-VISデータセット上で,訓練されたエンドツーエンド,最先端のパフォーマンスを実現する。
論文 参考訳（メタデータ） (2022-10-30T10:01:01Z) - Video Mask Transfiner for High-Quality Video Instance Segmentation [102.50936366583106]
Video Mask Transfiner (VMT) は、高効率なビデオトランス構造により、微細な高解像度機能を利用することができる。
当社のVMTアーキテクチャに基づいて,反復的トレーニングと自己補正による自動アノテーション改善アプローチを設計する。
我々はVMTとHQ-YTVISの最新の最先端手法、Youtube-VIS、OVIS、BDD100K MOTSを比較した。
論文 参考訳（メタデータ） (2022-07-28T11:13:37Z)
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。