論文の概要: BED-SAM2: Boundary-Enhanced-Depth SAM2 via Monocular Geometric Priors
- arxiv url: http://arxiv.org/abs/2605.24893v1
- Date: Sun, 24 May 2026 06:41:18 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-05-26 19:50:18.495885
- Title: BED-SAM2: Boundary-Enhanced-Depth SAM2 via Monocular Geometric Priors
- Title（参考訳）: BED-SAM2:単分子幾何学的先駆体による境界深度SAM2
- Authors: Tyler Rust, Dara McNally, Kyle O'Donnell, Colin Kelly, Chandra Kambhamettu,
- Abstract要約: 本研究は境界拡張深さ(BED)-SAM2を紹介する。
SAM2 Hieraエンコーダアーキテクチャは、RGB画像からの単分子深度情報を直接エンコードするように修正されている。
BED-SAM2は5つの訓練エポックしか持たない、複数の正当性と偽装されたオブジェクト検出タスクにまたがる、最先端の競争力を示す。
- 参考スコア（独自算出の注目度）: 9.595254895337947
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Building upon the SAM2 vision foundation model for downstream segmentation, this study introduces Boundary Enhanced Depth (BED)-SAM2. The SAM2 Hiera encoder architecture is modified to directly encode monocular depth information from RGB images, thereby providing geometric cues that enhance object boundary delineation and facilitate the extraction of camouflaged object shapes. BED-SAM2 demonstrates competitive state-of-the-art performance across multiple salient and camouflaged object detection tasks with as few as five training epochs.
- Abstract（参考訳）: 本研究は,下流セグメンテーションのためのSAM2ビジョン基盤モデルを構築し,境界拡張深さ(BED)-SAM2を提案する。
SAM2 Hieraエンコーダアーキテクチャは、RGB画像からの単眼深度情報を直接エンコードするように変更され、オブジェクト境界のデライン化を強化し、カモフラージュしたオブジェクト形状の抽出を容易にする幾何学的手がかりを提供する。
BED-SAM2は5つの訓練エポックしか持たない、複数の正当性と偽装されたオブジェクト検出タスクにまたがる、最先端の競争力を示す。
関連論文リスト
- SAM2-UNeXT: An Improved High-Resolution Baseline for Adapting Foundation Models to Downstream Segmentation Tasks [50.97089872043121]
SAM2-UNeXTはSAM2-UNetの中核となる原理を基盤とした高度なフレームワークである。
我々は、補助的なDINOv2エンコーダの統合によりSAM2の表現能力を拡張する。
我々のアプローチは、単純なアーキテクチャでより正確なセグメンテーションを可能にし、複雑なデコーダ設計の必要性を緩和する。
論文 参考訳（メタデータ） (2025-08-05T15:36:13Z) - Underwater Camouflaged Object Tracking Meets Vision-Language SAM2 [60.47622353256502]
本研究は,UW-COT220という大規模水中カモフラージュ型物体追跡データセットを提案する。
提案したデータセットに基づいて、本研究はまず、水中環境に挑戦するSAMとSAM2ベースのトラッカーを含む、現在の高度な視覚オブジェクト追跡手法を評価する。
本研究はSAM2よりもSAM2を改良し,水中カモフラージュ物体の複雑度を処理できることを実証した。
論文 参考訳（メタデータ） (2024-09-25T13:10:03Z) - SAM2-UNet: Segment Anything 2 Makes Strong Encoder for Natural and Medical Image Segmentation [51.90445260276897]
我々は,Segment Anything Model 2 (SAM2) がU字型セグメンテーションモデルの強力なエンコーダであることを証明した。
本稿では, SAM2-UNet と呼ばれる, 汎用画像分割のための簡易かつ効果的なフレームワークを提案する。
論文 参考訳（メタデータ） (2024-08-16T17:55:38Z) - Fantastic Animals and Where to Find Them: Segment Any Marine Animal with Dual SAM [62.85895749882285]
海洋動物(英: Marine Animal、MAS)は、海洋環境に生息する動物を分類する動物である。
高性能MASのための新しい特徴学習フレームワークDual-SAMを提案する。
提案手法は,広く使用されている5つのMASデータセットの最先端性能を実現する。
論文 参考訳（メタデータ） (2024-04-07T15:34:40Z)
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。