論文の概要: H-SPAM: Hierarchical Superpixel Anything Model

• arxiv url: http://arxiv.org/abs/2604.11218v1
• Date: Mon, 13 Apr 2026 09:19:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:16.45186
• Title: H-SPAM: Hierarchical Superpixel Anything Model
• Title（参考訳）: H-SPAM:階層型スーパーピクセルモデル
• Authors: Julien Walther, Rémi Giraud, Michaël Clément,
• Abstract要約: スーパーピクセルは、ピクセルをコヒーレントな領域にグループ化することで、コンパクトな画像表現を提供する。 近年の手法は, ノイズの多いスーパーピクセル形状を生成することによって, セグメンテーション精度の面で高原に達している。 本研究では,H-SPAMについて述べる。H-SPAMは,高精度で正規かつ完全にネストされたスーパーピクセルを生成する統一的なフレームワークである。
• 参考スコア（独自算出の注目度）: 1.121518046252855
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Superpixels offer a compact image representation by grouping pixels into coherent regions. Recent methods have reached a plateau in terms of segmentation accuracy by generating noisy superpixel shapes. Moreover, most existing approaches produce a single fixed-scale partition that limits their use in vision pipelines that would benefit multi-scale representations. In this work, we introduce H-SPAM (Hierarchical Superpixel Anything Model), a unified framework for generating accurate, regular, and perfectly nested hierarchical superpixels. Starting from a fine partition, guided by deep features and external object priors, H-SPAM constructs the hierarchy through a two-phase region merging process that first preserves object consistency and then allows controlled inter-object grouping. The hierarchy can also be modulated using visual attention maps or user input to preserve important regions longer in the hierarchy. Experiments on standard benchmarks show that H-SPAM strongly outperforms existing hierarchical methods in both accuracy and regularity, while performing on par with most recent state-of-the-art non-hierarchical methods. Code and pretrained models are available: https://github.com/waldo-j/hspam.
• Abstract（参考訳）: スーパーピクセルは、ピクセルをコヒーレントな領域にグループ化することで、コンパクトな画像表現を提供する。 近年の手法は, ノイズの多いスーパーピクセル形状を生成することによって, セグメンテーション精度の面で高原に達している。 さらに、既存のほとんどのアプローチは単一の固定スケールパーティションを生成し、ビジョンパイプラインでの使用を制限することで、マルチスケール表現の恩恵を受けることができる。 本研究では,H-SPAM (Hierarchical Superpixel Anything Model) を導入し,H-SPAM(Hierarchical Superpixel Anything Model)について述べる。 H-SPAMは、深い特徴と外部オブジェクトの先行によって導かれる微細なパーティションから始まり、まずオブジェクトの一貫性を保存し、制御されたオブジェクト間のグループ化を可能にする2フェーズの領域マージプロセスを通じて階層を構築する。 また、階層内の重要な領域を長く保存するために、視覚的な注意マップやユーザ入力を使って、階層を変調することもできる。 標準ベンチマークの実験では、H-SPAMは既存の階層的手法を精度と正則性の両方で強く上回り、最新の最先端の非階層的手法と同等の性能を発揮している。 コードと事前トレーニングされたモデルは以下の通りである。

関連論文リスト

• Joint Superpixel and Self-Representation Learning for Scalable Hyperspectral Image Clustering [42.598744707088535]
  サブスペースクラスタリングは、ハイパースペクトル画像(HSI)解析のための強力な教師なしアプローチである。 スーパーピクセルセグメンテーションは、処理するデータポイントの数を減らすことで効率を向上させることができる。 本稿では,スーパーピクセルセグメンテーションとサブスペースクラスタリングを協調的に最適化する統合エンドツーエンドフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-28T18:42:48Z)
• Superpixel Anything: A general object-based framework for accurate yet regular superpixel segmentation [1.121518046252855]
  SPAM(SuperPixel Anything Model)は、画像を正確にかつ通常のスーパーピクセルに分割するための汎用的なフレームワークである。 我々は,オブジェクトマスクとスーパーピクセルの整合性を確保するために,意味非依存のセグメンテーションのための大規模事前学習モデルを活用する。 SPAMは以前のハイレベルセグメンテーションを処理でき、不確実領域を解決し、特定のオブジェクトにインタラクティブにフォーカスすることができる。
  論文  参考訳（メタデータ） (2025-09-16T08:09:24Z)
• Hierarchical Superpixel Segmentation via Structural Information Theory [48.488598357738674]
  スーパーピクセルセグメンテーションは多くの高レベルのコンピュータビジョンタスクの基礎となっている。 構造情報理論に基づく階層的スーパーピクセルセグメンテーション手法であるSIT-HSSを提案する。 SIT-HSSは、最先端の教師なしスーパーピクセルセグメンテーションアルゴリズムよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2025-01-13T05:39:43Z)
• Deep Hierarchical Semantic Segmentation [76.40565872257709]
  階層的セマンティックセマンティックセグメンテーション(HSS)は、クラス階層の観点で視覚的観察を構造化、ピクセル単位で記述することを目的としている。 HSSNは、HSSを画素単位のマルチラベル分類タスクとしてキャストし、現在のセグメンテーションモデルに最小限のアーキテクチャ変更をもたらすだけである。 階層構造によって引き起こされるマージンの制約により、HSSNはピクセル埋め込み空間を再評価し、よく構造化されたピクセル表現を生成する。
  論文  参考訳（メタデータ） (2022-03-27T15:47:44Z)
• Saliency Enhancement using Superpixel Similarity [77.34726150561087]
  Saliency Object Detection (SOD) は画像解析にいくつかの応用がある。 深層学習に基づくSOD法は最も効果的であるが、類似した色を持つ前景の部品を見逃すことがある。 スーパーピクセル類似性(SESS)に対するtextitSaliency Enhancement というポストプロセッシング手法を導入する。 我々は,SESSが5つの画像データセット上での3つのディープラーニングに基づくSOD手法の結果を連続的に,かつ著しく改善できることを実証した。
  論文  参考訳（メタデータ） (2021-12-01T17:22:54Z)
• BoundarySqueeze: Image Segmentation as Boundary Squeezing [104.43159799559464]
  本研究では,オブジェクトとシーンの微細な高画質画像分割のための新しい手法を提案する。 形態素画像処理技術による拡張と浸食に着想を得て,画素レベルのセグメンテーション問題をスクイーズ対象境界として扱う。 提案手法は,COCO,Cityscapesのインスタンス・セグメンテーション・セグメンテーション・セグメンテーションにおいて大きく向上し,同一条件下での精度・速度ともに従来のPointRendよりも優れていた。
  論文  参考訳（メタデータ） (2021-05-25T04:58:51Z)
• Superpixel Segmentation Based on Spatially Constrained Subspace Clustering [57.76302397774641]
  独立意味情報を持つ各代表領域を部分空間とみなし,部分空間クラスタリング問題としてスーパーピクセルセグメンテーションを定式化する。 従来のサブスペースクラスタリングとスーパーピクセルセグメンテーションの簡単な統合は,画素の空間相関のために効果的に機能しないことを示す。 本稿では,空間隣接画素に類似の属性を付加してスーパーピクセルにクラスタリング可能な,凸局所性制約付きサブスペースクラスタリングモデルを提案する。
  論文  参考訳（メタデータ） (2020-12-11T06:18:36Z)
• Multi-Scale Superpatch Matching using Dual Superpixel Descriptors [1.2234742322758416]
  スーパーピクセルへの過剰セグメンテーションは、高速な高密度画像処理を可能にする、非常に効果的な次元削減戦略である。 標準的な階層的多重解像度スキームと比較して、画像分解の固有の不規則性は問題である。 本稿では,新しいスーパーピクセル近傍ディスクリプタであるデュアルスーパーパッチを紹介する。
  論文  参考訳（メタデータ） (2020-03-09T22:04:04Z)

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。