論文の概要: AgentRVOS for MeViS-Text Track of 5th PVUW Challenge: 3rd Method
- arxiv url: http://arxiv.org/abs/2604.22836v1
- Date: Mon, 20 Apr 2026 14:36:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:06.973488
- Title: AgentRVOS for MeViS-Text Track of 5th PVUW Challenge: 3rd Method
- Title（参考訳）: 第5回PVUWチャレンジのMeViS-Textトラック用エージェントRVOS:第3報
- Abstract要約: Ref-VOSパイプラインはSa2VAを中心に、明示的なエージェントロールで編成された。
鍵となる考え方は、Sa2VAが最初の密接なセマンティック仮説を提供するべきだということである。
結果がRef-VOSシステムであり、Sa2VAは密接な基底理解を担っている。
- 参考スコア（独自算出の注目度）: 12.580316757816282
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: This report describes a Ref-VOS pipeline centered on Sa2VA and organized with explicit agent roles. The key idea is that Sa2VA should provide the first dense semantic hypothesis, while an agent loop decides whether that hypothesis should be accepted, revised, or refined. The pipeline starts with a target-presence judgment stage. If the referred object does not exist in the video, the system directly outputs zero masks. Otherwise, Sa2VA receives the video and referring prompt and produces a coarse mask trajectory over the full video. This trajectory is treated as a semantic prior rather than a final answer. A planner agent decomposes the query, temporal partition agents identify informative blocks, scout agents search for anchor frames, and refinement agents convert reliable Sa2VA masks into boxes and points for SAM3 propagation. A critic scores candidate trajectories, a reflection controller repairs weak hypotheses, and a collaboration controller reconciles multiple agent branches. The result is a Ref-VOS system in which Sa2VA is responsible for dense grounded understanding, while the agent layer handles presence verification, temporal search, confidence-aware revision, and final mask refinement.
- Abstract（参考訳）: 本報告では,Sa2VAを中心に,明示的なエージェントロールを備えたRef-VOSパイプラインについて述べる。
鍵となる考え方は、Sa2VAが最初の密接なセマンティック仮説を提供するべきであり、一方でエージェントループは、その仮説が受け入れられるか、修正されるべきかを決定する。
パイプラインは、ターゲットプレゼンス判定段階から始まる。
ビデオに参照対象が存在しない場合、システムはゼロマスクを直接出力する。
そうでなければ、Sa2VAはビデオを受け取り、プロンプトを参照し、フルビデオ上で粗いマスク軌道を生成する。
この軌道は最終回答よりもむしろ意味論として扱われる。
プランナーエージェントはクエリを分解し、時間分割エージェントは情報ブロックを識別し、スカウトエージェントはアンカーフレームを検索し、精製エージェントは信頼性の高いSa2VAマスクをSAM3伝搬のためのボックスとポイントに変換する。
批評家は候補軌跡をスコアし、リフレクションコントローラは弱い仮説を修復し、コラボレーションコントローラは複数のエージェントブランチを調整する。
その結果, エージェント層が存在確認, 時間探索, 信頼を意識した修正, 最終的なマスク改質処理を行うのに対して, Sa2VAは密接な基底的理解に責任を負うRef-VOSシステムとなった。
関連論文リスト
- MNIST-PRO: MNIST is Back as a Partially Observable World for AI Agents [74.83535434786145]
MNIST-PRO (MNIST-PRO) は、MNISTの桁認識を、ルックバック制約付きシーケンシャルな視線に基づく検索タスクに変換することで、エージェント認識を分離するベンチマークである。
生の視覚履歴、テキスト状態、構造化されたメートル法グリッドマップ、統合された視覚キャンバスを含む4つの記憶表現の10つのマルチモーダルモデルを評価する。
論文 参考訳（メタデータ） (2026-08-31T16:05:39Z) - Lift, Associate, and Fuse: A Decision-Centric Framework for 2D-to-3D Foundation Model Transfer [18.616107275409764]
2次元基礎モデルから3次元セグメンテーションへの予測を伝達する手法は、一般にタスクまたは表現によってグループ化される。
我々は5つの演算子として転送システムを表す決定中心のフレームワークである textbfLift, Associate, and Fuse (LAF) を紹介する。
LAFは、永続キャリアの明示的な契約を定義し、破棄された証拠が回収不能になる第1段階を特定する。
論文 参考訳（メタデータ） (2026-08-21T01:33:23Z) - VOS-Agent: The 1st Place Solution for the 8th LSVOS Challenge (MOSEv2 Track) [15.751702557806595]
VOS-Agentは、ターゲット特性に応じて特殊エージェントを条件付きで活性化する。
Target Perception and Routing Agentは、各シーケンスを正規、小さな、またはセマンティックに支配されたルートに割り当てる。
MOSEv2テストセットでは、VOS-Agentは公式の$mathcalJ&dotmathcalF$で69.82%を達成する。
論文 参考訳（メタデータ） (2026-08-13T02:08:00Z) - DiffuseAgent-MI: Distributionally-Grounded,Tool-Integrated Self-Evolving Agents for Faithful Visual Reasoning [24.745715007832953]
DiffuseAgent-MIは、以前の自己進化剤よりも最大5.1ポイント精度を向上させる。
GeoQA、SciVis、VQA-v2、および社内のマルチモーダル推論セットでは、DiffuseAgent-MIは最大5.1ポイントの精度を向上させる。
論文 参考訳（メタデータ） (2026-08-01T08:54:44Z) - ReflexTrack: A Feedback-Driven Agent for Training-Free Referring Video Object Segmentation [63.38679125666075]
オブジェクトセグメンテーション(RVOS)を参照するには、ビデオを通して自然言語で指定されたターゲットをセグメンテーションする必要がある。
近年のエージェントアプローチでは,タスク固有のトレーニングなしでRVOSを実行するために,マルチモーダルな大規模言語モデルと迅速なセグメンテーションモデルを組み合わせている。
トレーニング不要でフィードバック駆動型エージェントであるReflexTrackを導入し、空間的および時間的両方のレベルでループを閉じる。
論文 参考訳（メタデータ） (2026-07-27T07:39:20Z) - Agentic Cloud Decoys: A Deception-Driven Framework for Autonomous Intrusion Investigation [0.0]
我々は,高忠実度クラウドデコイと自律言語モデルエージェントを組み合わせたフレームワークであるCloud Decoy AI Agentを紹介する。
調査単位はイベントではなくセッションであり、セッションキーは、ID階層化された認証情報の導入によって隠蔽される。
10のコントロールされたAWS S3シナリオで、9つの完全に再構築され、観測されたアーティファクトに追跡不可能なアサーションを含むレポートはなく、レイテンシは4分から5分でした。
論文 参考訳（メタデータ） (2026-07-27T05:05:57Z) - Hiding in Plain Floats: Steganographic Carriers for Indirect Prompt and Content Injection [0.0]
テキスト中心のインジェクション防御は、検査されたテキストビューの1つに悪意のある信号が見えると仮定する。
再現可能なLLM01スタイルの間接的プロンプト/入射障害モードについて検討した。
平らな英語で捕獲されたペイロードは、構造されたフロートパラメータとして輸送され、断片化されたテレメトリとしてのみ再構成されるとき、同じ検出器を通り過ぎます。
論文 参考訳（メタデータ） (2026-06-07T01:41:01Z) - RepoMirage: Probing Repository Context Reasoning in Code Agents with Perturbations [51.43574078961796]
本稿では,SWE-Bench Verified上に構築された2段階評価スイートRepoMirageを紹介する。
RepoMirage-Perturbは、リポジトリレベルの摂動を保存する3つのタイプのセマンティクスを適用している。
RepoAnchorは、下流の問題解決からリポジトリの探索を分離する構造第一のプロトタイプワークフローである。
論文 参考訳（メタデータ） (2026-05-25T06:26:43Z) - From Language to Logic: Bridging LLMs & Formal Representations for RTL Assertion Generation [0.0]
SystemVerilog Assertions (SVA) はデジタルハードウェアの正式な検証に不可欠である。
近年,大規模言語モデル(LLM)を用いてSVA生成を自動化する手法が研究されている。
本稿では,自然言語仕様からSVAを生成するツール拡張ReActエージェントProofLoopを提案する。
論文 参考訳（メタデータ） (2026-04-25T01:46:33Z) - If you're waiting for a sign... that might not be it! Mitigating Trust Boundary Confusion from Visual Injections on Vision-Language Agentic Systems [23.899383110296622]
環境信号は、エージェントの挙動に影響を与えるべきバンド内信号である。
同様の信号は、誤解を招く視覚注射として動作させることもできる。
現在のLVLMベースのエージェントは、このトレードオフを確実にバランスすることができない。
意思決定から認識を分離する多エージェント防衛フレームワークを提案する。
論文 参考訳（メタデータ） (2026-04-21T11:27:30Z) - AgentV-RL: Scaling Reward Modeling with Agentic Verifier [63.55502685076245]
試験時間スケーリング(TTS)によるLCM推論を強化する検証器が実証されている。
本稿では,報酬モデリングを多ターンツール拡張型検討プロセスに変換するフレームワークであるエージェント検証を提案する。
Agentic Verifier は並列およびシーケンシャルTS の両方で一貫した性能向上が得られることを示す。
論文 参考訳（メタデータ） (2026-04-17T12:27:36Z) - Knowing When Not to Answer: Evaluating Abstention in Multimodal Reasoning Systems [52.83669998269706]
テキストのみの設定で研究されてきたが、まだマルチモーダルに探索されていない。
現在のベンチマークでは、未解決性を無視するか、現実的な障害モードを見逃す粗末なメソッドに依存している。
MM-AQAは、2つの軸に沿った変換によって解答不能なインスタンスを解答可能なインスタンスから構築するベンチマークである。
論文 参考訳（メタデータ） (2026-04-16T09:23:22Z) - The 1st Winner for 5th PVUW MeViS-Text Challenge: Strong MLLMs Meet SAM3 for Referring Video Object Segmentation [65.24213788883016]
本報告では,第5回PVUW MeViS-Text Challengeの優勝ソリューションについて述べる。
私たちは、強力なマルチモーダルな大規模言語モデルとSAM3を組み合わせた、完全にトレーニング不要なパイプラインを構築しています。
我々の手法はPVUW 2026 MeViS-Textテストセットで第1位であり、最終スコアは0.909064、J&Fスコアは0.7897026である。
論文 参考訳（メタデータ） (2026-04-01T02:42:30Z) - AgentRVOS: Reasoning over Object Tracks for Zero-Shot Referring Video Object Segmentation [37.67402969516464]
Video Object(RVOS)は、自然言語クエリが与えられたビデオ全体を通じて対象オブジェクトをセグメントすることを目的としている。
そこで本研究では,SAM3とMLLMの相補的な長所をベースとした,トレーニング不要なエージェントパイプラインであるAgentOSを提案する。
論文 参考訳（メタデータ） (2026-03-24T17:55:17Z) - Beyond Input Guardrails: Reconstructing Cross-Agent Semantic Flows for Execution-Aware Attack Detection [32.301679396929536]
静的な入力フィルタリングから実行対応分析へ、防御パラダイムをシフトするフレームワークであるSysNameを提案する。
SysNameは断片化された操作プリミティブを連続した行動軌跡に合成し、システムアクティビティの全体像を可能にする。
実証的な評価により、SysNameは10以上の異なる複合攻撃ベクトルを効果的に検出し、それぞれノードレベルとパスレベルのエンドツーエンド攻撃検出に対して85.3%と66.7%のF1スコアを達成した。
論文 参考訳（メタデータ） (2026-03-04T01:59:16Z) - Think Before You Segment: An Object-aware Reasoning Agent for Referring Audio-Visual Segmentation [61.37076111486196]
Ref-AVSは、対象のオブジェクトを所定の参照表現に基づいて可聴ビデオに分割することを目的としている。
本稿では,タスクをThink-Ground-Segmentプロセスに分解するTGS-Agentを提案する。
Ref-Thinkerはマルチモーダル言語モデルであり、テキスト、視覚、聴覚の手がかりを推論することができる。
論文 参考訳（メタデータ） (2025-08-06T13:05:09Z) - Retrieval-Augmented Generation with Conflicting Evidence [57.66282463340297]
大規模言語モデル (LLM) エージェントは、応答の事実性を改善するために、検索強化世代 (RAG) をますます採用している。
実際には、これらのシステムは曖昧なユーザクエリを処理し、複数のソースからの情報に衝突する可能性がある。
RAMDocs(Retrieval with Ambiguity and Misinformation in Documents)は,ユーザクエリのエビデンスを矛盾させるような,複雑で現実的なシナリオをシミュレートする新しいデータセットである。
論文 参考訳（メタデータ） (2025-04-17T16:46:11Z)
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。