論文の概要: DetRefiner: Model-Agnostic Detection Refinement with Feature Fusion Transformer

• arxiv url: http://arxiv.org/abs/2605.10190v1
• Date: Mon, 11 May 2026 08:40:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-12 23:28:50.657367
• Title: DetRefiner: Model-Agnostic Detection Refinement with Feature Fusion Transformer
• Title（参考訳）: DetRefiner:特徴核融合変換器を用いたモデル非依存検出微細化
• Authors: Soichiro Okazaki, Tatsuya Sasaki, Hiroki Ohashi,
• Abstract要約: DetRefinerは,グローバルな特徴とローカルな特徴を融合してオープンな語彙検出を改良する,プラグイン・アンド・プレイのフレームワークである。 この結果から,グローバルおよびローカルな表現を融合する学習は,オープンワールドのオブジェクト検出を促進するための強力で汎用的なメカニズムを提供することがわかった。
• 参考スコア（独自算出の注目度）: 4.40960504549418
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Open-vocabulary object detection (OVOD) aims to detect both seen and unseen categories, yet existing methods often struggle to generalize to novel objects due to limited integration of global and local contextual cues. We propose DetRefiner, a simple yet effective plug-and-play framework that learns to fuse global and local features to refine open-vocabulary detection. DetRefiner processes global image features and patch-level image features from foundational models (e.g., DINOv3) through a lightweight Transformer encoder. The encoder produces a class vector capturing image-level attributes and patch vectors representing local region attributes, from which attribute reliability is inferred to recalibrate the base model's confidence. Notably, DetRefiner is trained independently of the base OVOD model, requiring neither access to its internal features nor retraining. At inference, it operates solely on the base detector's predictions, producing auxiliary calibration scores that are merged with the base detector's scores to yield the final refined confidence. Despite this simplicity, DetRefiner consistently enhances multiple OVOD models across COCO, LVIS, ODinW13, and Pascal VOC, achieving gains of up to +10.1 AP on novel categories. These results highlight that learning to fuse global and local representations offers a powerful and general mechanism for advancing open-world object detection. Our codes and models are available at https://github.com/hitachi-rd-cv/detrefiner.
• Abstract（参考訳）: Open-vocabulary Object Detection (OVOD) は、目に見えないカテゴリーと見えないカテゴリの両方を検出することを目的としている。 DetRefinerは,グローバルかつローカルな機能を融合してオープンな語彙検出を改良する,シンプルで効果的なプラグイン・アンド・プレイフレームワークである。 DetRefinerは,基盤モデル(例えばDINOv3)から軽量なTransformerエンコーダを通じて,グローバルなイメージ機能とパッチレベルのイメージ機能を処理する。 エンコーダは、画像レベル属性と局所領域属性を表すパッチベクターをキャプチャするクラスベクターを生成し、そこから属性信頼性を推定し、ベースモデルの信頼性を再評価する。 特に、DetRefinerはベースとなるOVODモデルとは独立して訓練されており、内部機能へのアクセスも再トレーニングも必要としない。 推測では、ベース検出器の予測のみで動作し、サブキャリブレーションスコアを生成し、ベース検出器のスコアとマージして最終的な信頼性を得る。 このような単純さにもかかわらず、DetRefinerはCOCO、LVIS、ODinW13、Pascal VOCをまたいだ複数のOVODモデルを一貫して拡張し、新しいカテゴリで最大+10.1 APのゲインを達成している。 これらの結果は、グローバルおよびローカルな表現を融合する学習が、オープンワールドのオブジェクト検出を促進するための強力で一般的なメカニズムを提供することを示している。 私たちのコードとモデルはhttps://github.com/hitachi-rd-cv/detrefiner.comで公開されています。

関連論文リスト

• The Detector Teaches Itself: Lightweight Self-Supervised Adaptation for Open-Vocabulary Object Detection [8.847667302225156]
  Open-vocabulary Object Detectionは、大規模画像テキストデータに基づいて事前訓練された視覚言語モデル(VLM)を活用するオープンセットカテゴリからオブジェクトを認識することを目的としている。 本稿では、協調モデルに基づく物体検出のためのVLMを改善するための自己教師型微調整手法であるDecoupled Adaptivity Trainingを提案する。 COCOとLVISデータセットの実験は、DATが新しいカテゴリと既知のカテゴリの両方における検出性能を一貫して改善していることを示している。
  論文  参考訳（メタデータ） (2026-05-05T11:14:30Z)
• Source-Free Object Detection with Detection Transformer [59.33653163035064]
  Source-Free Object Detection (SFOD) は、ソースデータにアクセスすることなく、ソースドメインから教師なしのターゲットドメインへの知識転送を可能にする。 ほとんどの既存のSFODアプローチは、より高速なR-CNNのような従来のオブジェクト検出(OD)モデルに限られるか、新しいODアーキテクチャ、特に検出変換器(DETR)に適合しない一般的なソリューションとして設計されている。 本稿では,DTRのクエリ中心の機能強化を特化して設計された新しいSFODフレームワークであるFeature Reweighting ANd Contrastive Learning NetworK(FRANCK)を紹介する。
  論文  参考訳（メタデータ） (2025-10-13T07:35:04Z)
• OVLW-DETR: Open-Vocabulary Light-Weighted Detection Transformer [63.141027246418]
  本稿では,OVLW-DETR(Open-Vocabulary Light-Weighted Detection Transformer)を提案する。 本稿では,視覚言語モデル(VLM)からオブジェクト検出器への知識伝達を簡易なアライメントで行うエンド・ツー・エンドのトレーニングレシピを提案する。 実験により,提案手法は標準ゼロショットLVISベンチマークにおいて,既存の実時間開語彙検出器よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-07-15T12:15:27Z)
• Weakly-supervised Contrastive Learning for Unsupervised Object Discovery [52.696041556640516]
  ジェネリックな方法でオブジェクトを発見できるため、教師なしのオブジェクト発見は有望である。 画像から高レベルな意味的特徴を抽出する意味誘導型自己教師学習モデルを設計する。 オブジェクト領域のローカライズのための主成分分析(PCA)を導入する。
  論文  参考訳（メタデータ） (2023-07-07T04:03:48Z)
• LCTR: On Awakening the Local Continuity of Transformer for Weakly Supervised Object Localization [38.376238216214524]
  弱教師付きオブジェクトローカライゼーション(WSOL)は、画像レベルのラベルだけでオブジェクトローカライザを学習することを目的としている。 本稿では,グローバルな特徴の局所認識能力を高めることを目的とした,LCTRと呼ばれるトランスフォーマー上に構築された新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-12-10T01:48:40Z)
• Unifying Global-Local Representations in Salient Object Detection with Transformer [55.23033277636774]
  我々は、視覚変換器という新しいアテンションベースのエンコーダを有能な物体検出に導入する。 非常に浅い層でのグローバルビューでは、トランスフォーマーエンコーダはより局所的な表現を保持する。 提案手法は,5つのベンチマークにおいて,他のFCN法およびトランスフォーマー法よりも優れていた。
  論文  参考訳（メタデータ） (2021-08-05T17:51:32Z)
• End-to-End Object Detection with Transformers [88.06357745922716]
  本稿では,オブジェクト検出を直接セット予測問題とみなす新しい手法を提案する。 我々のアプローチは検出パイプラインを合理化し、手作業で設計された多くのコンポーネントの必要性を効果的に除去する。 この新しいフレームワークの主な構成要素は、Detection TRansformerまたはDETRと呼ばれ、セットベースのグローバルな損失である。
  論文  参考訳（メタデータ） (2020-05-26T17:06:38Z)
• Scope Head for Accurate Localization in Object Detection [135.9979405835606]
  本研究では,各位置のアンカーを相互依存関係としてモデル化したScopeNetと呼ばれる新しい検出器を提案する。 我々の簡潔で効果的な設計により、提案したScopeNetはCOCOの最先端の成果を達成する。
  論文  参考訳（メタデータ） (2020-05-11T04:00:09Z)

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。