論文の概要: Improving Visual Grounding in Remote Sensing via Cluster-Guided Refinement and Model Ensemble Voting
- arxiv url: http://arxiv.org/abs/2606.00556v1
- Date: Sat, 30 May 2026 06:13:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-02 21:34:28.520143
- Title: Improving Visual Grounding in Remote Sensing via Cluster-Guided Refinement and Model Ensemble Voting
- Title（参考訳）: クラスタ誘導リファインメントとモデルアンサンブル投票によるリモートセンシングにおける視覚的グラウンドリングの改善
- Abstract要約: ビジュアルグラウンドティングは、自然言語記述に対応する画像領域を見つけることを目的としている。
リモートセンシング画像では、複雑なシーン、小さな物体、大規模な変動のためにグラウンド化が特に難しい。
本研究では,リモートセンシングに特化した視覚的グラウンド化モデルであるRemoteSAMと,強力な汎用セグメンテーションモデルであるSAM3の相補的な強みを組み合わせた2つのグラウンド化パイプラインを提案する。
- 参考スコア（独自算出の注目度）: 0.16332728502735253
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Visual grounding aims to locate image regions that correspond to natural language descriptions and is a key component of interpretable vision systems. In remote sensing imagery, grounding is particularly challenging due to complex scenes, small objects, and large variations in scale. Relying on a single model is often insufficient to address these diverse challenges. In this work, we propose two grounding pipelines, Sequential Grounding Refinement (SGR) and Cluster-Aware Grounding Refinement (CGR), that combine the complementary strengths of RemoteSAM, a visual grounding model specialized for remote sensing, and SAM3, a powerful general-purpose segmentation model. Our approach first uses RemoteSAM to obtain an initial estimate of object location, which is then refined using SAM3 to produce more accurate and spatially consistent segmentations. Additionally, we explore an ensemble strategy based on majority voting across six diverse grounding pipelines, each with distinct capabilities. This multi-model framework improves robustness and significantly enhances localization accuracy. Experimental results demonstrate that the proposed pipelines and ensemble approach outperform individual models, leading to more reliable and precise visual grounding predictions.
- Abstract（参考訳）: ビジュアルグラウンドティングは、自然言語記述に対応し、解釈可能な視覚システムの重要な構成要素である画像領域を見つけることを目的としている。
リモートセンシング画像では、複雑なシーン、小さな物体、大規模な変動のためにグラウンド化が特に難しい。
このような多様な課題に対処するには、単一のモデルによるリライディングが不十分な場合が多い。
本研究では,リモートセンシングに特化した視覚的グラウンド化モデルであるRemoteSAMと,強力な汎用セグメンテーションモデルであるSAM3の相補的な強みを組み合わせた,SGR(Sequential Grounding Refinement)とCGR(Cluster-Aware Grounding Refinement)の2つのグラウンド化パイプラインを提案する。
提案手法はまずRemoteSAMを用いてオブジェクト位置の初期推定値を取得し,SAM3を用いてより正確で空間的に一貫したセグメンテーションを生成する。
さらに、6つの異なる基盤パイプラインにまたがる多数決に基づくアンサンブル戦略についても検討する。
このマルチモデルフレームワークはロバスト性を改善し、ローカライズ精度を大幅に向上させる。
実験により、提案したパイプラインとアンサンブルアプローチが個々のモデルより優れており、より信頼性が高く正確な視覚的接地予測が導かれることが示された。
関連論文リスト
- Evaluating Semantic and Spatial Guidance for Foundation Model Segmentation of Small-Scale PV in Remote Sensing Imagery [1.0993800728351737]
視覚言語基礎モデル(FM)は、プロンプトベースの意味論と空間的ガイダンスを通じて、データ効率のパラダイムを提供する。
テキスト,幾何,ハイブリッドプロンプトの比較により,RS画像におけるPVセグメンテーションの小型化についてSAM3の評価を行った。
本研究はSAM3適応,ロバスト性,一般化の重要な決定要因として,プロンプト戦略を確立した。
論文 参考訳（メタデータ） (2026-08-11T11:16:25Z) - More with Less: a Large Scale Remote Sensing VLM with a Simple Recipe [52.210953881548996]
遠隔センシングベンチマークに挑戦することで,視覚言語モデルが競争力や最先端のパフォーマンスを達成可能であることを示す。
我々のモデルは、テキストで直接答えるか、セグメント化とグラウンド化のためにローカライズツールを呼び出すことができる単一の言語ポリシーを使用する。
提案手法は,高分解能,マルチテンポラル,マルチモーダル,マルチビュータスクを含む,幅広いベンチマークの競合性を実現する。
論文 参考訳（メタデータ） (2026-07-17T13:25:44Z) - Promptable Concept Segmentation from Above: Evaluating SAM 3's Zero-Shot and One-Shot Capabilities in Remote Sensing [0.42970700836450487]
本稿では,リモートセンシングシーンの分類,オブジェクト検出,インスタンスのセグメンテーションにまたがる総合的,マルチタスクな経験的評価について述べる。
我々の結果は、SAM 3がレガシーなドメイン適応モデルでよく見られる過度な適合を避けることを実証している。
サブピクセル解像度制限と、オーバーヘッドセマンティックブラインドスポットによって、基本的に制限されている。
論文 参考訳（メタデータ） (2026-07-10T16:33:05Z) - SATGround: A Spatially-Aware Approach for Visual Grounding in Remote Sensing [57.609801041296095]
視覚言語モデル(VLM)はリモートセンシングの強力なツールとして登場しつつある。
衛星画像におけるVLMに基づく視覚的グラウンド化を,新しい構造的局所化機構を提案することで促進する。
論文 参考訳（メタデータ） (2025-12-09T18:15:43Z) - RS-ISRefiner: Towards Better Adapting Vision Foundation Models for Interactive Segmentation of Remote Sensing Images [17.648922817109224]
RS-ISRefinerは、リモートセンシング画像に適したクリックベースのIISフレームワークである。
セグメンテーション精度、効率、相互作用コストの点で、最先端IIS法を一貫して上回っている。
論文 参考訳（メタデータ） (2025-11-30T04:12:43Z) - FUSAR-KLIP: Towards Multimodal Foundation Models for Remote Sensing [16.948824707021412]
クロスモーダル人工知能は近年広く注目を集めており、自然画像の研究において大きな進歩を遂げている。
既存の手法は主にRGB画像用に設計されており、合成開口レーダ(SAR)画像のモデリングにおいて大きなギャップを残している。
本稿では,再利用可能なデータと評価ベースラインとともに,初の汎用SARマルチモーダル基盤モデルであるFUSAR-KLIPを提案する。
論文 参考訳（メタデータ） (2025-09-28T15:03:25Z) - TASAM: Terrain-and-Aware Segment Anything Model for Temporal-Scale Remote Sensing Segmentation [20.89385225170904]
Segment Anything Model (SAM)は、自然画像領域にまたがる印象的なゼロショットセグメンテーション機能を実証した。
本稿では,高解像度リモートセンシング画像セグメンテーションに特化して設計された SAM の地形・時間的拡張である TASAM を紹介する。
論文 参考訳（メタデータ） (2025-09-19T09:24:24Z) - GCRPNet: Graph-Enhanced Contextual and Regional Perception Network for Salient Object Detection in Optical Remote Sensing Images [68.33481681452675]
本稿では,GCRPNet(Graph-enhanced contextual and Regional Recognition Network)を提案する。
これはMambaアーキテクチャの上に構築され、長距離依存関係を同時にキャプチャし、地域的特徴表現を強化する。
マルチスケールの畳み込みによって処理される特徴マップに対して適応的なパッチスキャンを行い、リッチなローカル領域情報をキャプチャする。
論文 参考訳（メタデータ） (2025-08-14T11:31:43Z) - Visual and Text Prompt Segmentation: A Novel Multi-Model Framework for Remote Sensing [30.980687857037033]
本稿では,Grounding DINO,CLIP,SAMの強みを活かしたVTPSegパイプラインを提案する。
このパイプラインは,5つの一般的なリモートセンシング画像セグメンテーションデータセットを用いて,実験およびアブレーションによる検証を行った。
論文 参考訳（メタデータ） (2025-03-10T23:15:57Z) - UrbanSAM: Learning Invariance-Inspired Adapters for Segment Anything Models in Urban Construction [51.54946346023673]
都市形態は本質的に複雑で、様々な形状と様々なスケールの不規則な物体がある。
Segment Anything Model (SAM) は複雑なシーンのセグメンテーションにおいて大きな可能性を示している。
本研究では,複雑な都市環境の分析に特化して設計されたSAMのカスタマイズ版であるUrbanSAMを提案する。
論文 参考訳（メタデータ） (2025-02-21T04:25:19Z) - RS-DFM: A Remote Sensing Distributed Foundation Model for Diverse Downstream Tasks [11.681342476516267]
汎用情報マッピングとインタラクションに基づく分散センシング基礎モデル(RS-DFM)を提案する。
このモデルは、複数のプラットフォームにわたるオンライン協調認識と、さまざまな下流タスクを実現することができる。
本稿では、高周波・低周波特徴情報を分離するデュアルブランチ情報圧縮モジュールを提案する。
論文 参考訳（メタデータ） (2024-06-11T07:46:47Z) - RS-Mamba for Large Remote Sensing Image Dense Prediction [58.12667617617306]
本稿では,大規模なVHRリモートセンシング画像における高密度予測タスクに対するリモートセンシング・マンバ(RSM)を提案する。
RSMは、線形複雑度でリモートセンシング画像のグローバルなコンテキストを捉えるように設計されている。
我々のモデルは、大規模なリモートセンシング画像の変換器ベースモデルよりも効率と精度がよい。
論文 参考訳（メタデータ） (2024-04-03T12:06:01Z) - Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。
従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。
本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
論文 参考訳（メタデータ） (2023-12-19T08:14:14Z)
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。