論文の概要: OAMVOS:2nd Report for 5th PVUW MOSE Track
- arxiv url: http://arxiv.org/abs/2604.22837v1
- Date: Mon, 20 Apr 2026 14:43:43 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-28 17:12:06.974408
- Title: OAMVOS:2nd Report for 5th PVUW MOSE Track
- Title（参考訳）: OAMVOS:第2報 第5回PVUWMOSEトラック
- Authors: Deshui Miao, Xingsen Huang, Yameng Gu, Xiaogang yu, Xin Li, Ming-Hsuan Yang,
- Abstract要約: SAMベースの高密度トラッカーは、強力な短期マスク伝搬を提供するが、長い閉塞下では脆弱である。
本報告では、バックボーンを変更するのではなく、メモリ制御を改善するDAM4SAMの拡張について述べる。
この方法は、信頼性を意識したトラッキングステートマシン、ブランチベースのリカバリ、遅延DRMプロモーション、ネイティブSAM3メモリ選択のための選択ポリシーの4つの要素でオリジナルのSAM3トラッカーを増強する。
- 参考スコア（独自算出の注目度）: 33.923358478393276
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: SAM-based dense trackers provide strong short-term mask propagation but remain fragile under long occlusion, fast motion, viewpoint change, and distractors. The problem is especially severe for small objects, where a few incorrect memory updates can dominate later predictions. This report presents an occlusion- and reappearance-aware extension of DAM4SAM that improves memory control rather than changing the backbone. The method augments the original SAM3 tracker with four ingredients: a reliability-aware tracking state machine, branch-based recovery, delayed DRM promotion, and a selective policy for native SAM3 memory selection. During stable tracking, the model follows the original single-path propagation process. Once confidence drops, the tracker enters an ambiguous or recovery mode, maintains a small set of candidate branches, and commits memory only after a branch is reconfirmed. For small-object disappearance and reappearance, native memory selection is temporarily bypassed so older anchors remain accessible. In addition, the first conditioning frame is explicitly preserved, and the conditioning-memory budget is moderately enlarged to improve long-gap recovery. The resulting design keeps DAM4SAM efficient in easy cases while improving robustness in sequences dominated by occlusion and reappearance.
- Abstract（参考訳）: SAMベースの高密度トラッカーは、強力な短期マスク伝搬を提供するが、長い閉塞、速い動き、視点の変化、邪魔者の下では脆弱である。
この問題は小さなオブジェクトでは特に深刻で、いくつかの不正なメモリ更新が後の予測を支配している。
本報告では,DAM4SAMのオクルージョンと再出現を意識した拡張について述べる。
この方法は、信頼性を意識したトラッキングステートマシン、ブランチベースのリカバリ、遅延DRMプロモーション、ネイティブSAM3メモリ選択のための選択ポリシーの4つの要素でオリジナルのSAM3トラッカーを増強する。
安定した追跡の間、モデルは元のシングルパス伝搬プロセスに従う。
信頼が低下すると、トラッカーはあいまいまたはリカバリモードに入り、少数の候補ブランチを保持し、ブランチを再確認した後のみメモリをコミットする。
小さなオブジェクトの消失と再出現のために、ネイティブメモリの選択は一時的にバイパスされるため、古いアンカーは引き続きアクセス可能である。
さらに、第1の条件フレームを明示的に保存し、条件記憶予算を適度に拡大し、長ギャップ回復を改善する。
結果として得られる設計は、DAM4SAMを容易な場合に効率よく保ちながら、オクルージョンと再出現によって支配されるシーケンスの堅牢性を改善している。
関連論文リスト
- MemEvoBench: Benchmarking Memory MisEvolution in LLM Agents [78.95081012334116]
永続メモリを持つ大規模言語モデル(LLM)は、相互作用の継続性とパーソナライゼーションを高めるが、新たな安全性リスクをもたらす。
汚染または偏りのある記憶蓄積は、異常な作用を引き起こす可能性がある。
MemeEvoBenchは、LLMエージェントのメモリ安全性を評価する最初のベンチマークである。
論文 参考訳（メタデータ） (2026-04-17T07:29:52Z) - MemMA: Coordinating the Memory Cycle through Multi-Agent Reasoning and In-Situ Self-Evolution [52.29303869050117]
メモリ拡張LDMエージェントは、長期の相互作用をサポートするために外部メモリバンクを保持する。
MemMAはプラグアンドプレイのマルチエージェントフレームワークで、前方と後方の両方の経路に沿ってメモリサイクルを調整する。
論文 参考訳（メタデータ） (2026-03-19T10:15:59Z) - EdgeDAM: Real-time Object Tracking for Mobile Devices [6.26511531314926]
エッジデバイス上での単一オブジェクト追跡は、コンピュータビジョンの重要なタスクである。
近年, セグメンテーションをベースとしたトラッカーに注目が集まっている。
We propose EdgeDAM, a detection-guided tracking framework that improveed distractor-aware memory for bounding-box tracking。
論文 参考訳（メタデータ） (2026-03-05T18:35:25Z) - Detector-in-the-Loop Tracking: Active Memory Rectification for Stable Glottic Opening Localization [25.593059138669844]
本稿では,信頼性に整合した状態決定とアクティブメモリの整合性により,Segment Anything Model 2(SAM2)を監督する検出・イン・ザ・ループフレームワークを提案する。
緊急挿管ビデオでは、CL-MCは最先端のパフォーマンスを達成し、ドリフトと欠落率を大幅に低減する。
論文 参考訳（メタデータ） (2026-02-22T23:29:28Z) - Rethinking Memory Design in SAM-Based Visual Object Tracking [41.85403035673912]
本稿では,SAMに基づく視覚的物体追跡のメモリ中心的な研究について述べる。
本稿では,メモリを短期的外見記憶と長期的外見記憶に明示的に分解するハイブリッドメモリフレームワークを提案する。
論文 参考訳（メタデータ） (2025-12-27T15:33:50Z) - Memory-Enhanced SAM3 for Occlusion-Robust Surgical Instrument Segmentation [5.392406404237512]
本稿では,SAM3のトレーニング不要なメモリ拡張であるReMeDI-SAM3を提案する。
SAM3よりも約7%,16%改善し,バニラトレーニングベースのアプローチよりも優れていた。
論文 参考訳（メタデータ） (2025-12-18T18:49:33Z) - Agentic Learner with Grow-and-Refine Multimodal Semantic Memory [50.81667005063605]
ViLoMemは、コンパクトなスキーマベースのメモリを構築するデュアルストリームメモリフレームワークである。
視覚的障害パターンと論理的推論エラーを符号化し、MLLMが成功し失敗した経験から学ぶことを可能にする。
論文 参考訳（メタデータ） (2025-11-26T18:55:08Z) - SAMITE: Position Prompted SAM2 with Calibrated Memory for Visual Object Tracking [58.35852822355312]
Visual Object Tracking (VOT)は、ビデオ内のターゲットを継続的に追跡する自律運転のようなアプリケーションで広く使われている。
これらの問題に対処するために、ビデオ基盤モデルSAM2をVOTに適用し、各フレームの追跡結果をメモリとして符号化し、残りのフレームを自己回帰的に条件付けする手法を提案する。
これらの課題に対処するために,SAM2 上にモジュールを追加して構築した SAMITE モデルを提案する。
論文 参考訳（メタデータ） (2025-07-29T12:11:56Z) - SAM2RL: Towards Reinforcement Learning Memory Control in Segment Anything Model 2 [2.659882635924329]
Segment Anything Model 2 (SAM2) は、オブジェクトセグメンテーションタスクにおいて強力なパフォーマンスを示している。
最近の方法では、イントラクタやオブジェクトの動きをよりよく扱うために手作りの更新ルールでSAM 2を拡張している。
SAM 2におけるメモリ更新を最適化するための強化学習を用いた基本的なアプローチを提案する。
論文 参考訳（メタデータ） (2025-07-11T12:53:19Z) - RTracker: Recoverable Tracking via PN Tree Structured Memory [71.05904715104411]
本稿では,木構造メモリを用いてトラッカーと検出器を動的に関連付け,自己回復を可能にするRTrackerを提案する。
具体的には,正負と負のターゲットサンプルを時系列に保存し,維持する正負のツリー構造メモリを提案する。
我々の中核となる考え方は、正と負の目標カテゴリーの支持サンプルを用いて、目標損失の信頼性評価のための相対的距離に基づく基準を確立することである。
論文 参考訳（メタデータ） (2024-03-28T08:54:40Z)
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。