論文の概要: Few-Shot Semantic Segmentation Meets SAM3

• arxiv url: http://arxiv.org/abs/2604.05433v1
• Date: Tue, 07 Apr 2026 04:59:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-08 17:42:09.634347
• Title: Few-Shot Semantic Segmentation Meets SAM3
• Title（参考訳）: SAM3のセマンティックセマンティックセグメンテーション
• Authors: Yi-Jen Tsai, Yen-Yu Lin, Chien-Yao Wang,
• Abstract要約: Few-Shot Semantic (FSS)は、注釈付きサンプルのごく一部から新しいオブジェクトカテゴリのセグメンテーションに焦点を当てている。 我々は、現代のビジョン基盤モデルの観点からFSSを再考し、Segment Anything Model 3 (SAM3) のトレーニングフリーソリューションとしての可能性を探る。 Promptable Concept (PCS) 機能を再利用することで,サポートとクエリの画像を共有キャンバスに配置するシンプルな空間結合戦略を採用する。
• 参考スコア（独自算出の注目度）: 23.28277367328234
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: Few-Shot Semantic Segmentation (FSS) focuses on segmenting novel object categories from only a handful of annotated examples. Most existing approaches rely on extensive episodic training to learn transferable representations, which is both computationally demanding and sensitive to distribution shifts. In this work, we revisit FSS from the perspective of modern vision foundation models and explore the potential of Segment Anything Model 3 (SAM3) as a training-free solution. By repurposing its Promptable Concept Segmentation (PCS) capability, we adopt a simple spatial concatenation strategy that places support and query images into a shared canvas, allowing a fully frozen SAM3 to perform segmentation without any fine-tuning or architectural changes. Experiments on PASCAL-$5^i$ and COCO-$20^i$ show that this minimal design already achieves state-of-the-art performance, outperforming many heavily engineered methods. Beyond empirical gains, we uncover that negative prompts can be counterproductive in few-shot settings, where they often weaken target representations and lead to prediction collapse despite their intended role in suppressing distractors. These findings suggest that strong cross-image reasoning can emerge from simple spatial formulations, while also highlighting limitations in how current foundation models handle conflicting prompt signals. Code at: https://github.com/WongKinYiu/FSS-SAM3
• Abstract（参考訳）: Few-Shot Semantic Segmentation (FSS)は、注釈付きサンプルのごく一部から新しいオブジェクトカテゴリのセグメンテーションに焦点を当てている。 既存のほとんどのアプローチは、伝達可能な表現を学ぶための広範囲なエピソード訓練に依存しており、これは計算的に要求され、分布シフトに敏感である。 本研究では,現代のビジョン基盤モデルの観点からFSSを再考し,Segment Anything Model 3 (SAM3) の可能性を探る。 Promptable Concept Segmentation(PCS)機能を再利用することで、サポートやクエリ画像を共有キャンバスに配置するシンプルな空間結合戦略を採用し、完全に凍結されたSAM3が微調整やアーキテクチャの変更なしにセグメンテーションを行うことができる。 PASCAL-$5^i$とCOCO-$20^i$の実験は、この最小限の設計が既に最先端の性能を達成しており、多くの高度な手法よりも優れていることを示している。 実験的な利得を超えて、数ショットの環境では負のプロンプトが反生産的になり、標的表現を弱め、邪魔者を抑えるのに意図された役割にもかかわらず、予測崩壊につながることが判明した。 これらの結果から,空間的定式化から強いクロスイメージ推論がもたらされることが示唆された。 コード:https://github.com/WongKinYiu/FSS-SAM3

関連論文リスト

• INSID3: Training-Free In-Context Segmentation with DINOv3 [63.961377087673476]
  INSID3は、凍結したDINOv3機能のみから、さまざまな粒度で概念を分割する、トレーニング不要のアプローチである。 1ショットのセマンティクス、部分、パーソナライズされたセグメンテーションで最先端の結果を達成し、以前の処理を +7.5 % mIoU で上回る。
  論文  参考訳（メタデータ） (2026-03-30T14:16:37Z)
• SegEarth-OV3: Exploring SAM 3 for Open-Vocabulary Semantic Segmentation in Remote Sensing Images [51.42466259821335]
  我々は, SAM 3 をリモートセンシング OVSS タスクに適用するための予備的な検討を行った。 まず,SAM 3のセマンティックセグメンテーションヘッドとトランスフォーマーデコーダの出力を組み合わせたマスク融合戦略を実装した。 第2に、シーンに存在しないカテゴリをフィルタリングするために、プレゼンスヘッドからのプレゼンススコアを利用する。
  論文  参考訳（メタデータ） (2025-12-09T15:42:28Z)
• No time to train! Training-Free Reference-Based Instance Segmentation [15.061599989448867]
  本研究は,少数の参照画像のみを備える場合のオブジェクトセグメンテーションの課題について検討する。 我々の重要な洞察は、ファンデーションモデルによって学習された強力なセマンティック・プライドを活用して、参照とターゲット画像の間の対応する領域を特定することである。 対応によって、下流タスクのためのインスタンスレベルのセグメンテーションマスクの自動生成が可能になり、マルチステージのトレーニング不要な方法でアイデアをインスタンス化する。
  論文  参考訳（メタデータ） (2025-07-03T16:59:01Z)
• S4M: Segment Anything with 4 Extreme Points [2.052287962818431]
  Segment Anything Model (SAM) は主にポイントやバウンディングボックスのようなスパースプロンプトに依存している。 S4Mは、インスタンスのトップポイント、ボトムポイント、左ポイント、右ポイントといった極端なポイントを活用することでSAMを強化します。 S4Mは3つの内視鏡的外科的データセットで他のSAMベースのアプローチより優れている。
  論文  参考訳（メタデータ） (2025-03-07T16:02:11Z)
• 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)
• Reflection Invariance Learning for Few-shot Semantic Segmentation [53.20466630330429]
  Few-shot semantic segmentation (FSS) は、いくつかのアノテーション付きサポートイメージを持つクエリイメージにおいて、目に見えないクラスのオブジェクトをセグメントすることを目的としている。 本稿では,マルチビューマッチング方式でリフレクション不変性をマイニングするための,新しい数ショットセグメンテーションフレームワークを提案する。 PASCAL-$5textiti$とCOCO-$20textiti$データセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-01T15:14:58Z)

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。