論文の概要: Promptable Fire Segmentation: Unleashing SAM2's Potential for Real-Time Mobile Deployment with Strategic Bounding Box Guidance

• arxiv url: http://arxiv.org/abs/2510.21782v1
• Date: Sat, 18 Oct 2025 09:15:43 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 15:28:14.506753
• Title: Promptable Fire Segmentation: Unleashing SAM2's Potential for Real-Time Mobile Deployment with Strategic Bounding Box Guidance
• Title（参考訳）: Promptable Fire Segmentation: SAM2の戦略的バウンディングボックス誘導によるリアルタイムモバイルデプロイメントの可能性
• Authors: Emmanuel U. Ugwu, Zhang Xinming,
• Abstract要約: 本稿では,火災セグメンテーションのためのSAM2変種を包括的に評価する。 3つのファイアデータセットにまたがるモバイル指向の変種(TinySAM, MobileSAM)とともに,SAM2.1の4つの変種(tiny, small, base_plus, large)を体系的に評価した。 実験結果から,バウンディングボックスは自動および単一点ベースアプローチより一貫して優れていることが示された。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Fire segmentation remains a critical challenge in computer vision due to flames' irregular boundaries, translucent edges, and highly variable intensities. While the Segment Anything Models (SAM and SAM2) have demonstrated impressive cross-domain generalization capabilities, their effectiveness in fire segmentation -- particularly under mobile deployment constraints -- remains largely unexplored. This paper presents the first comprehensive evaluation of SAM2 variants for fire segmentation, focusing on bounding box prompting strategies to enhance deployment feasibility. We systematically evaluate four SAM2.1 variants (tiny, small, base_plus, large) alongside mobile-oriented variants (TinySAM, MobileSAM) across three fire datasets using multiple prompting strategies: automatic, single positive point (SP), single positive point + single negative point (SP+SN), multiple positive points (MP), bounding box (Box), and hybrid variants (Box+SP and Box+MP). Our experimental results demonstrate that bounding box prompts consistently outperform automatic and single point-based approaches, with Box+MP achieving the highest mean IoU (0.64) and Dice coefficient (0.75) on the Khan dataset. Lightweight variants such as TinySAM and MobileSAM further reduce memory and computational costs, making them more suitable for latency-tolerant edge scenarios. Overall, this work provides critical insights for deploying promptable segmentation models in fire monitoring systems and establishes benchmarks for future research in domain-specific SAM applications. Code is available at: https://github.com/UEmmanuel5/ProFSAM
• Abstract（参考訳）: 火のセグメンテーションは、火の不規則な境界、半透明の縁、高度に可変な強度のために、コンピュータビジョンにおいて重要な課題である。 Segment Anything Models (SAMとSAM2)は、ドメイン横断の優れた一般化機能を示しているが、ファイアセグメンテーション(特にモバイルデプロイメントの制約下での)の有効性は、まだ明らかにされていない。 本報告では, 火のセグメンテーションのためのSAM2変種を包括的に評価し, 展開可能性を高めるためのバウンディングボックスに焦点をあてる。 自動, 単一正点(SP), 単正点+単負点(SP+SN), 多重正点(MP), 有界箱(Box), ハイブリッド変種(Box+SP, Box+MP), ハイブリッド変種(Box+SP, Box+MP)を用いて, 移動指向変種(TinySAM, MobileSAM)とともにSAM2.1の4変種(tiny, small, base_plus, large)を系統的に評価した。 実験結果から,ボックス+MPは平均IoU (0.64) とDice係数 (0.75) をハーンデータセット上で達成し,バウンディングボックスが一貫した自動的および単点的アプローチよりも優れていることが示された。 TinySAMやMobileSAMといった軽量版はメモリと計算コストをさらに削減し、レイテンシに耐性のあるエッジシナリオに適している。 全体として、この研究は消防監視システムに迅速なセグメンテーションモデルを展開するための重要な洞察を与え、ドメイン固有のSAMアプリケーションにおける将来の研究のためのベンチマークを確立する。 コードは、https://github.com/UEmmanuel5/ProFSAMで入手できる。

関連論文リスト

• Vanish into Thin Air: Cross-prompt Universal Adversarial Attacks for SAM2 [48.71856814549096]
  UAP-SAM2は,2つの意味的偏差によって駆動されるSAM2に対する最初のクロスプロンプト的普遍的敵攻撃である。 UAP-SAM2は, 最先端(SOTA)攻撃に対して, 大差で有意に優れていた。
  論文  参考訳（メタデータ） (2025-10-28T08:59:11Z)
• Seg2Track-SAM2: SAM2-based Multi-object Tracking and Segmentation for Zero-shot Generalization [3.108551551357326]
  Seg2Track-SAM2は、事前訓練されたオブジェクト検出器とSAM2と新しいSeg2Trackモジュールを統合するフレームワークである。 Seg2Track-SAM2は最先端(SOTA)のパフォーマンスを達成し、KITTI MOTSでは車と歩行者の両方で総合4位にランクインした。 結果、Seg2Track-SAM2は、堅牢なゼロショットトラッキング、強化されたアイデンティティ保存、効率的なメモリ利用を組み合わせることで、MOTSの進歩を確認した。
  論文  参考訳（メタデータ） (2025-09-15T10:52:27Z)
• ProSAM: Enhancing the Robustness of SAM-based Visual Reference Segmentation with Probabilistic Prompts [15.582637232358177]
  ProSAMは、既存のSAMベースのビジュアル参照セグメンテーションアプローチにおいて、我々が特定した安定性の課題に対処する、シンプルだが効果的な方法である。 ProSAMは不安定な領域にあるプロンプトの生成を回避し、より堅牢でないプロンプトによって引き起こされる不安定さを克服する。 私たちのアプローチは、Pascal-5$i$とCOCO-20$i$データセットの最先端メソッドを一貫して超越しています。
  論文  参考訳（メタデータ） (2025-06-27T00:50:15Z)
• Bridge the Points: Graph-based Few-shot Segment Anything Semantically [79.1519244940518]
  プレトレーニング技術の最近の進歩により、視覚基礎モデルの能力が向上した。 最近の研究はSAMをFew-shot Semantic segmentation (FSS)に拡張している。 本稿では,グラフ解析に基づく簡易かつ効果的な手法を提案する。
  論文  参考訳（メタデータ） (2024-10-09T15:02:28Z)
• Adapting Segment Anything Model for Unseen Object Instance Segmentation [70.60171342436092]
  Unseen Object Instance(UOIS)は、非構造環境で動作する自律ロボットにとって不可欠である。 UOISタスクのためのデータ効率のよいソリューションであるUOIS-SAMを提案する。 UOIS-SAMは、(i)HeatmapベースのPrompt Generator(HPG)と(ii)SAMのマスクデコーダに適応する階層識別ネットワーク(HDNet)の2つの重要なコンポーネントを統合する。
  論文  参考訳（メタデータ） (2024-09-23T19:05:50Z)
• SAM-CP: Marrying SAM with Composable Prompts for Versatile Segmentation [88.80792308991867]
  Segment Anything Model (SAM)は、イメージピクセルをパッチにグループ化する機能を示しているが、セグメンテーションにそれを適用することは依然として大きな課題に直面している。 本稿では,SAM-CPを提案する。SAM-CPはSAM以外の2種類の構成可能なプロンプトを確立し,多目的セグメンテーションのために構成する単純な手法である。 実験により、SAM-CPはオープンドメインとクローズドドメインの両方においてセマンティック、例、およびパノプティックセグメンテーションを達成することが示された。
  論文  参考訳（メタデータ） (2024-07-23T17:47:25Z)
• TinySAM: Pushing the Envelope for Efficient Segment Anything Model [73.06322749886483]
  我々は,強力なゼロショット性能を維持しつつ,小さなセグメントの任意のモデル(TinySAM)を得るためのフレームワークを提案する。 これらすべての提案手法により、TinySAMは計算量を大幅に削減し、エンベロープを効率的なセグメント化タスクにプッシュする。
  論文  参考訳（メタデータ） (2023-12-21T12:26:11Z)
• Stable Segment Anything Model [79.9005670886038]
  SAM(Segment Anything Model)は、高品質なプロンプトが与えられた場合、顕著に迅速なセグメンテーションを実現する。 本稿では,SAMのセグメンテーション安定性について,多様なプロンプト特性のスペクトルにわたって包括的解析を行った。 1)SAMのセグメンテーション安定性を広範囲に改善し,2)SAMの強力なセグメンテーション効率と一般化を維持した。
  論文  参考訳（メタデータ） (2023-11-27T12:51:42Z)

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。