論文の概要: A Simple and Better Baseline for Visual Grounding

• arxiv url: http://arxiv.org/abs/2510.10587v1
• Date: Sun, 12 Oct 2025 13:06:59 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-14 18:06:30.021809
• Title: A Simple and Better Baseline for Visual Grounding
• Title（参考訳）: ビジュアルグラウンドニングのためのシンプルで優れたベースライン
• Authors: Jingchao Wang, Wenlong Zhang, Dingjiang Huang, Hong Wang, Yefeng Zheng,
• Abstract要約: FSVGと呼ばれる視覚的接地のための特徴選択ベースラインを提案する。 具体的には,言語的・視覚的なモダリティを複雑な反復的な手順を伴わずに,全体のネットワークアーキテクチャにカプセル化する。 類似性に基づく特徴選択機構を導入し,より高速な予測のために言語関連視覚的特徴のみを活用する。
• 参考スコア（独自算出の注目度）: 41.76403278559263
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Visual grounding aims to predict the locations of target objects specified by textual descriptions. For this task with linguistic and visual modalities, there is a latest research line that focuses on only selecting the linguistic-relevant visual regions for object localization to reduce the computational overhead. Albeit achieving impressive performance, it is iteratively performed on different image scales, and at every iteration, linguistic features and visual features need to be stored in a cache, incurring extra overhead. To facilitate the implementation, in this paper, we propose a feature selection-based simple yet effective baseline for visual grounding, called FSVG. Specifically, we directly encapsulate the linguistic and visual modalities into an overall network architecture without complicated iterative procedures, and utilize the language in parallel as guidance to facilitate the interaction between linguistic modal and visual modal for extracting effective visual features. Furthermore, to reduce the computational cost, during the visual feature learning, we introduce a similarity-based feature selection mechanism to only exploit language-related visual features for faster prediction. Extensive experiments conducted on several benchmark datasets comprehensively substantiate that the proposed FSVG achieves a better balance between accuracy and efficiency beyond the current state-of-the-art methods. Code is available at https://github.com/jcwang0602/FSVG.
• Abstract（参考訳）: ビジュアルグラウンドティングは、テキスト記述によって指定されたターゲットオブジェクトの位置を予測することを目的としている。 言語的・視覚的モダリティを伴うこの課題に対して,対象の局所化のための言語関連視覚領域の選択のみに着目して計算オーバーヘッドを低減する,最新の研究線が存在する。 印象的なパフォーマンスを達成する一方で、異なるイメージスケールで反復的に実行され、イテレーション毎に言語的特徴と視覚的特徴をキャッシュに格納する必要があるため、余分なオーバーヘッドが発生する。 本稿では,FSVGと呼ばれる視覚的接地のための特徴選択ベースラインを提案する。 具体的には,言語的モーダルと視覚的モーダルの相互作用を促進するために,複雑な反復手順を伴わずに,言語的モーダルと視覚的モーダルの相互作用を促進するためのガイダンスとして,言語を並列に活用する。 さらに、視覚的特徴学習において、計算コストを削減するために、より高速な予測のために言語関連視覚的特徴のみを利用する類似性に基づく特徴選択機構を導入する。 いくつかのベンチマークデータセットで実施された大規模な実験は、提案されたFSVGが現在の最先端手法よりも精度と効率のバランスが良いことを包括的に裏付けている。 コードはhttps://github.com/jcwang0602/FSVGで入手できる。

関連論文リスト

• Top-Down Compression: Revisit Efficient Vision Token Projection for Visual Instruction Tuning [70.57180215148125]
  ビジュアルインストラクションチューニングは、大きな言語モデルで視覚世界を理解できるようにすることを目的としている。 既存の手法は、精度と効率の間の難解なトレードオフに悩まされることが多い。 LLaVA-Meteorは,コア情報を妥協することなく,視覚トークンを戦略的に圧縮する手法である。
  論文  参考訳（メタデータ） (2025-05-17T10:22:29Z)
• More Pictures Say More: Visual Intersection Network for Open Set Object Detection [4.206612461069489]
  オープンセットオブジェクト検出(VINO)のための強力なDETRモデルであるVisual Intersection Networkを導入する。 VINOは、すべての時間ステップにまたがるカテゴリのセマンティックな交差を保存するために、マルチイメージのビジュアルバンクを構築する。 提案手法は,対象カテゴリ意味論と領域意味論のより正確な一致を保証するとともに,事前学習時間とリソース要求を著しく低減する。
  論文  参考訳（メタデータ） (2024-08-26T05:52:35Z)
• Multi-Granularity Language-Guided Training for Multi-Object Tracking [95.91263758294154]
  本稿では,多目的追跡フレームワークLG-MOTを提案する。 推測では、LG-MOTは注釈付き言語記述に頼ることなく、標準的な視覚機能を使用します。 我々のLG-MOTは、視覚的特徴のみを用いたベースラインと比較して、目標対象関連(IDF1スコア)において、絶対的な2.2%のゲインを達成している。
  論文  参考訳（メタデータ） (2024-06-07T11:18:40Z)
• Exploring Interactive Semantic Alignment for Efficient HOI Detection with Vision-language Model [3.3772986620114387]
  ISA-HOIはCLIPからの知識を広範囲に活用し,視覚的特徴とテキスト的特徴の対話的意味論を整合させる。 本手法は, HICO-DETとV-COCOのベンチマークにおいて, トレーニングエポックがはるかに少なく, ゼロショット環境下での最先端性能を向上する。
  論文  参考訳（メタデータ） (2024-04-19T07:24:32Z)
• Exploring Part-Informed Visual-Language Learning for Person Re-Identification [52.92511980835272]
  本稿では、ReIDタスクのための部分インフォームド言語監督機能により、きめ細かな視覚的特徴を高めるために、部分インフォームド・ビジュアル・ランゲージ・ラーニング(pi$-VL)を提案する。 $pi$-VLは、人間のパーシング誘導のプロンプトチューニング戦略と階層的な視覚言語アライメントパラダイムを導入し、内部機能のセマンティック一貫性を保証する。 我々の$pi$-VLは、プラグアンドプレイで推論不要なソリューションとして、4つの一般的なReIDベンチマークの最先端メソッドに匹敵するパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2023-08-04T23:13:49Z)
• Improving Visual Grounding with Visual-Linguistic Verification and Iterative Reasoning [42.29650807349636]
  正確な視覚的接地のためのトランスフォーマーベースのフレームワークを提案する。 テキスト記述に関連する領域に視覚的特徴を集中させる視覚言語検証モジュールを開発した。 言語誘導型特徴エンコーダは、対象オブジェクトの視覚的コンテキストを集約して、オブジェクトの特異性を改善するように設計されている。
  論文  参考訳（メタデータ） (2022-04-30T13:48:15Z)
• From Two to One: A New Scene Text Recognizer with Visual Language Modeling Network [70.47504933083218]
  本稿では,視覚情報と言語情報を結合として見る視覚言語モデリングネットワーク(VisionLAN)を提案する。 VisionLANは39%のスピード向上を実現し、正確な認識のための視覚的特徴を高めるために言語情報を適応的に検討する。
  論文  参考訳（メタデータ） (2021-08-22T07:56:24Z)

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。