論文の概要: Multi-view feature High-order Fusion for Space Weak Object Detection and Segmentation
- arxiv url: http://arxiv.org/abs/2606.15118v1
- Date: Sat, 13 Jun 2026 05:11:57 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-16 16:21:32.857472
- Title: Multi-view feature High-order Fusion for Space Weak Object Detection and Segmentation
- Title（参考訳）: 空間弱物体検出・セグメンテーションのための多視点高次融合
- Abstract要約: 簡単なマルチビューアテンションを開発し、その出力をマルチビューの特徴として扱う。
また、弱い物体のより正確でリッチな特徴を集約するマルチビュー高次融合法(MHF)を提案する。
- 参考スコア（独自算出の注目度）: 12.123374796487155
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Weak objects are common in images and videos of space applications. However, it is hard to learn proper representations from their limited appearance information. Inspired by multi-view learning, we develop simple multi-view attentions, treating their outputs as multi-view features. We also propose a multi-view feature high-order fusion method (MHF) to aggregate more accurate and richer features of weak objects. Our MHF extends the commonly used low-order feature fusion method to higher orders. It enhances the model's capacity to capture relevant and complementary information about weak objects. This is achieved by introducing high-order multi-view features perception and a recursive task-contribution gated selection of multi-view features. The new operation is highly flexible and customizable. It is compatible with various variants of multi-view feature representations. We conduct extensive experiments on two newly constructed space science datasets and an open, large-scale satellite video dataset. Our MHF serves as a plug-and-play module and significantly improves various vision transformers and convolution-based detection and segmentation models. We achieve all state-of-the-art accuracies on both tasks across three datasets. Our MHF can be a new basic module for visual modeling that effectively represents weak objects in terms of multi-view learning. The code will be available at https://github.com/Kingdroper/MHF.
- Abstract（参考訳）: 弱い物体は宇宙アプリケーションの画像やビデオでよく見られる。
しかし,限られた外観情報から適切な表現を学習することは困難である。
マルチビュー学習にインスパイアされた我々は、単純なマルチビューアテンションを開発し、その出力をマルチビューの特徴として扱う。
また、弱い物体のより正確でリッチな特徴を集約するマルチビュー高次融合法(MHF)を提案する。
我々のMHFは、一般的に使われている低次特徴融合法を高次に拡張する。
弱いオブジェクトに関する関連的で補完的な情報をキャプチャする能力を高めます。
これは、高次マルチビュー特徴認識と、マルチビュー特徴の帰納的タスクコントリビューションゲート選択を導入することで実現される。
新しい操作は非常に柔軟でカスタマイズできる。
多視点特徴表現の様々な変種と互換性がある。
新たに構築された2つの宇宙科学データセットと、オープンで大規模な衛星ビデオデータセットに関する広範な実験を行う。
我々のMHFはプラグアンドプレイモジュールとして機能し、様々な視覚変換器と畳み込みに基づく検出とセグメンテーションモデルを大幅に改善する。
3つのデータセットにまたがって、両方のタスクで最先端のアキュラシーを達成します。
私たちのMHFは、マルチビュー学習という観点から、弱いオブジェクトを効果的に表現する視覚モデリングのための新しい基本モジュールとなり得る。
コードはhttps://github.com/Kingdroper/MHF.comから入手できる。
関連論文リスト
- MIMONet: Multi-scale Input and Multi-scale Output Network for Salient Object Detection [68.66589458673157]
サリエンシ検出のための既存の方法は、マルチレベル機能の適用に重点を置いている。
異なるサイズのオブジェクトに対するモデルの認識能力を向上させるために,MIMONET(Multi-scale Input and Multi-scale Output Network)を提案する。
論文 参考訳（メタデータ） (2026-08-26T12:46:22Z) - Mixture of Enhanced-View Experts for Multi-Query Vehicle ReID and A Large-Scale Benchmark [24.421311632428043]
マルチクエリ車両ReIDは、多様なビューからの補完情報を活用して、堅牢な特徴学習を実現する。
本研究は,EV-MoE(Mixture of Enhanced-View Experts)と呼ばれる新しい手法を提案する。
特に、ビュー固有の機能拡張サブモジュール(VFEM)と動的マルチビュー融合サブモジュール(DMFM)の2つの部分からなる拡張ビューエキスパートモジュールを設計する。
論文 参考訳（メタデータ） (2026-07-09T03:41:36Z) - Migician: Revealing the Magic of Free-Form Multi-Image Grounding in Multimodal Large Language Models [79.59567114769513]
複数の画像に対して自由かつ正確なグラウンド化を行うことができる最初のマルチイメージグラウンドモデルであるMigicianを紹介する。
我々のモデルは、より優れたマルチイメージグラウンド機能を実現し、最高のMLLMを24.94%上回り、さらに大きな70Bモデルを超えた。
論文 参考訳（メタデータ） (2025-01-10T07:56:23Z) - SM3Det: A Unified Model for Multi-Modal Remote Sensing Object Detection [79.58755811919366]
本稿では,リモートセンシングのためのマルチモーダルデータセットとマルチタスクオブジェクト検出(M2Det)という新しいタスクを提案する。
水平方向または指向方向の物体を、あらゆるセンサーから正確に検出するように設計されている。
この課題は、1)マルチモーダルモデリングの管理に関わるトレードオフ、2)マルチタスク最適化の複雑さに起因する。
論文 参考訳（メタデータ） (2024-12-30T02:47:51Z) - Instruction-Guided Fusion of Multi-Layer Visual Features in Large Vision-Language Models [50.98559225639266]
6つのタスクカテゴリにまたがる18のベンチマークを用いて,異なるエンコーダ層からの視覚的特徴の寄与について検討した。
この結果から,多層構造はタスク依存性の相補的な長所を提供し,均一な融合が最適以下の性能をもたらすことが明らかとなった。
テキスト命令に基づいて動的に多層視覚特徴を統合する命令誘導型視覚アグリゲータを提案する。
論文 参考訳（メタデータ） (2024-12-26T05:41:31Z) - MMFuser: Multimodal Multi-Layer Feature Fuser for Fine-Grained Vision-Language Understanding [39.68348330596116]
視覚変換器(ViTs)の深部・浅部機能を効率的に統合する,シンプルで効果的な多層機能フェーザであるモデル名を提案する。
具体的には、クエリとしてセマンティックに整合した深い機能を活用して、浅い機能から欠落した詳細を動的に抽出する。
modelnameachieveは、ビジュアル表現とベンチマークのパフォーマンスを大幅に改善する。
論文 参考訳（メタデータ） (2024-10-15T17:55:22Z) - TWIST & SCOUT: Grounding Multimodal LLM-Experts by Forget-Free Tuning [54.033346088090674]
TWIST と SCOUT は,事前学習したMLLM に視覚的接地能力を持たせるフレームワークである。
モデルを効果的に微調整するために,SCOUTと呼ばれる高品質な合成データセットを生成する。
このデータセットは、ステップバイステップのマルチモーダル推論プロセスを記述する、豊富な監視信号を提供する。
論文 参考訳（メタデータ） (2024-10-14T13:35:47Z) - SCA-PVNet: Self-and-Cross Attention Based Aggregation of Point Cloud and
Multi-View for 3D Object Retrieval [8.74845857766369]
大規模データセットを用いた多モード3Dオブジェクト検索はめったに行われない。
本稿では,3次元オブジェクト検索のための点群と多視点画像の自己・横断的アグリゲーションを提案する。
論文 参考訳（メタデータ） (2023-07-20T05:46:32Z) - An Efficient General-Purpose Modular Vision Model via Multi-Task
Heterogeneous Training [79.78201886156513]
本稿では、複数の視覚タスクを実行でき、他の下流タスクに効率的に適応できるモデルを提案する。
提案手法は,単一タスク状態モデルに匹敵する結果を達成し,下流タスクの強力な一般化を実証する。
論文 参考訳（メタデータ） (2023-06-29T17:59:57Z) - MFFN: Multi-view Feature Fusion Network for Camouflaged Object Detection [10.04773536815808]
画像中の不明瞭な物体を見つける人間の振る舞いを模倣する,Multi-view Feature Fusion Network (MFFN) と呼ばれる行動に触発されたフレームワークを提案する。
MFFNは抽出したマルチビュー特徴を比較し、融合することにより、重要なエッジとセマンティック情報をキャプチャする。
提案手法は,同一データを用いたトレーニングにより,既存の最先端手法に対して良好に機能する。
論文 参考訳（メタデータ） (2022-10-12T16:12:58Z) - Multi-modal Transformers Excel at Class-agnostic Object Detection [105.10403103027306]
既存の手法では、人間の理解可能な意味論によって支配されるトップダウンの監視信号が欠落していると論じる。
マルチスケール特徴処理と変形可能な自己アテンションを用いた効率よく柔軟なMViTアーキテクチャを開発した。
多様なアプリケーションにおけるMViT提案の重要性を示す。
論文 参考訳（メタデータ） (2021-11-22T18:59:29Z)
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。