論文の概要: Training-Free Open-Vocabulary Visual Grounding for Remote Sensing Images and Videos

• arxiv url: http://arxiv.org/abs/2606.16124v1
• Date: Mon, 15 Jun 2026 02:31:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-16 16:21:34.038852
• Title: Training-Free Open-Vocabulary Visual Grounding for Remote Sensing Images and Videos
• Title（参考訳）: リモートセンシング画像とビデオのための学習不要なオープンボキャブラリ視覚グラウンド
• Authors: Ke Li, Di Wang, Yongshan Zhu, Ting Wang, Weiping Ni, Tao Lei, Quan Wang, Xinbo Gao,
• Abstract要約: リモートセンシングビジュアルグラウンドティングは、自然言語表現に従って、参照対象をリモートセンシング画像やビデオにローカライズすることを目的としている。 既存のRSVGメソッドは通常、タスク固有の手動アノテーションに依存しており、実際の地理空間シナリオの多様性をカバーするのにコストがかかり、必然的に制限される。 RSVGZeroOV は,ゼロショットオープン語彙 RSVG のフリージェネリック基盤モデルを利用する学習自由フレームワークである。
• 参考スコア（独自算出の注目度）: 52.516842108549135
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Remote sensing visual grounding (RSVG) aims to localize a referred target in a remote sensing image or video according to a natural language expression. Existing RSVG methods usually rely on task-specific manual annotations, which are costly to collect and inevitably limited in covering the diversity of real-world geospatial scenarios. As a result, they often struggle to generalize to open-vocabulary queries involving novel objects, fine-grained attributes, complex spatial relationships, and functional semantics. In this paper, we propose RSVG-ZeroOV, a training-free framework that leverages frozen generic foundation models for zero-shot open-vocabulary RSVG. RSVG-ZeroOV follows an Overview-Focus-Evolve paradigm, which exploits the distinct yet complementary attention patterns of vision-language models (VLMs) and diffusion models (DMs) to progressively generate precise grounding results. Specifically, (i) Overview utilizes a VLM to extract cross-attention maps that capture semantic correlations between the referring expression and visual regions; (ii) Focus leverages the fine-grained modeling priors of a DM to compensate for object structure and shape information often overlooked by VLM attention; and (iii) Evolve introduces a simple yet effective attention evolution module to suppress irrelevant activations, yielding purified object masks. To handle video inputs, we further present Video RSVG-ZeroOV, which extends image-level grounding to spatio-temporal grounding through a query-relevant key-frame selector and a temporal propagator, enabling efficient and temporally coherent video grounding without video annotations or fine-tuning. Extensive experiments on six image and video grounding benchmarks show that RSVG-ZeroOV consistently outperforms existing zero-shot baselines and achieves competitive or superior performance compared with weakly- and fully-supervised methods.
• Abstract（参考訳）: リモートセンシングビジュアルグラウンドティング(RSVG)は、自然言語表現に従って、参照対象をリモートセンシング画像やビデオにローカライズすることを目的としている。 既存のRSVGメソッドは通常、タスク固有の手動アノテーションに依存しており、実際の地理空間シナリオの多様性をカバーするのにコストがかかり、必然的に制限される。 結果として、新しいオブジェクト、きめ細かい属性、複雑な空間関係、機能意味論を含むオープン語彙クエリへの一般化に苦慮することが多い。 本稿では,ゼロショットオープンボキャブラリRSVGのフリージェネリック基盤モデルを利用したトレーニングフリーフレームワークRSVG-ZeroOVを提案する。 RSVG-ZeroOVは、視覚言語モデル (VLM) と拡散モデル (DM) の異なる相補的注意パターンを利用して、段階的に正確な基底結果を生成する、概要-焦点-進化パラダイムに従う。 具体的には (i)VLMを用いて参照表現と視覚領域間の意味的相関を捉えた相互注意マップを抽出する。 (二)VLMの注意によってしばしば見落とされる物体の構造や形状情報を補うために、DMの微粒化モデリングの先駆的手法を活用すること。 (iii)Evolveは、無関係なアクティベーションを抑えるため、単純だが効果的な注意進化モジュールを導入し、精製された物体マスクを産出する。 さらに,画像レベルのグラウンド化を,クエリ関連キーフレームセレクタと時間的プロパゲータを通じて時空間グラウンド化に拡張し,ビデオアノテーションや微調整を必要とせず,効率的かつ時間的に整合したビデオグラウンド化を可能にするビデオRSVG-ZeroOVを提案する。 RSVG-ZeroOVは6つの画像とビデオのグラウンドベンチマークにおいて、既存のゼロショットベースラインを一貫して上回り、弱い教師付きおよび完全教師付き手法と比較して、競争力や優れたパフォーマンスを達成することを示した。

関連論文リスト

• SlotVTG: Object-Centric Adapter for Generalizable Video Temporal Grounding [5.9095311593289575]
  SlotVTGは、MLLMを最小限のコストで、オブジェクト中心の、入力基底の視覚的推論に向けるフレームワークである。 我々のアプローチは、最小限のオーバーヘッドで競合するIn-Domain(ID)性能を維持しながら、OODロバスト性を大幅に改善します。
  論文  参考訳（メタデータ） (2026-03-26T17:59:31Z)
• TagaVLM: Topology-Aware Global Action Reasoning for Vision-Language Navigation [70.23578202012048]
  Vision-Language Navigation (VLN) は、アーキテクチャ上のミスマッチのため、大きなビジョン-Language Models (VLM) に固有の課題を提示している。 我々は,VLMのバックボーンにトポロジ構造を明示的に注入するエンドツーエンドフレームワークであるTagaVLM(トポロジ・アウェア・グローバルアクション推論)を提案する。 トポロジ的ノード情報を強化するため、Interleaved Navigation Promptはノードレベルのビジュアルテキストアライメントを強化する。 埋め込みトポロジグラフでは、このモデルはグローバルな行動推論が可能であり、堅牢な経路補正を可能にする。
  論文  参考訳（メタデータ） (2026-03-03T13:28:07Z)
• RSGround-R1: Rethinking Remote Sensing Visual Grounding through Spatial Reasoning [61.84363374647606]
  リモートセンシングビジュアルグラウンドディング(RSVG)は、自然言語記述に基づく大規模空中画像における対象物体のローカライズを目的としている。 これらの記述はしばしば位置的手がかりに大きく依存しており、空間的推論においてMLLM(Multimodal Large Language Models)に固有の課題を提起している。 空間理解の高度化を図るために,textbfRSGround-R1 と呼ばれる推論誘導型位置認識後学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-01-29T12:35:57Z)
• ViSS-R1: Self-Supervised Reinforcement Video Reasoning [84.1180294023835]
  本稿では,新しい自己教師付き強化学習GRPOアルゴリズム(Pretext-GRPO)を標準R1パイプライン内に導入する。 また、プリテキストタスクに基づく自己教師型学習をMLLMのR1ポストトレーニングパラダイムに直接統合するViSS-R1フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-17T07:00:42Z)
• Xiaoice: Training-Free Video Understanding via Self-Supervised Spatio-Temporal Clustering of Semantic Features [10.21556794551883]
  本稿では,エンド・ツー・エンドのトレーニングを回避できる,ビデオ理解のための新しい学習自由フレームワークを提案する。 我々の中心となる考え方は、高次元の特徴空間内の自己監督的時間的クラスタリングとしての映像理解である。 このアプローチは、ビデオコンテンツのゼロショット、自動構造解析のための効果的、解釈可能、およびモデルに依存しない経路を提供する。
  論文  参考訳（メタデータ） (2025-10-19T10:13:34Z)
• RSVG-ZeroOV: Exploring a Training-Free Framework for Zero-Shot Open-Vocabulary Visual Grounding in Remote Sensing Images [18.68323373148979]
  リモートセンシングビジュアルグラウンドディング(RSVG)は、自由形式の自然言語表現に基づいて、オブジェクトをリモートセンシング画像にローカライズすることを目的としている。 我々は,ゼロショットオープン語彙RSVGのためのフリージェネリック基盤モデルの可能性を探るためのトレーニングフリーフレームワークである textbfRSVG-ZeroOV を提案する。
  論文  参考訳（メタデータ） (2025-09-23T06:52:15Z)
• Generalized Decoupled Learning for Enhancing Open-Vocabulary Dense Perception [71.26728044621458]
  DeCLIPは、CLIPを強化する新しいフレームワークで、自己認識モジュールを分離して、それぞれコンテンツ’と“コンテキスト’の機能を取得する。 2D検出とセグメンテーション、3Dインスタンスのセグメンテーション、ビデオインスタンスのセグメンテーション、6Dオブジェクトのポーズ推定など、幅広いタスクにわたる最先端のパフォーマンスを一貫して達成する。
  論文  参考訳（メタデータ） (2025-08-15T06:43:51Z)
• OpenVidVRD: Open-Vocabulary Video Visual Relation Detection via Prompt-Driven Semantic Space Alignment [5.215417164787923]
  視覚言語モデル(VLM)は、オープン語彙の視覚的関係の検出に役立つが、多くの場合、様々な視覚領域とそれらの関係との関係を見落としている。 本稿では,オープン語彙のVidVRDフレームワークであるOpenVidVRDを提案する。
  論文  参考訳（メタデータ） (2025-03-12T14:13:17Z)
• Zero-Shot Video Moment Retrieval from Frozen Vision-Language Models [58.17315970207874]
  モーメント・テキストアライメントを容易にするため、任意のVLMから一般化可能なビジュアル・テクスチャの事前適応のためのゼロショット手法を提案する。 3つのVMRベンチマークデータセットで実施された実験は、ゼロショットアルゴリズムの顕著なパフォーマンス上の利点を示している。
  論文  参考訳（メタデータ） (2023-09-01T13:06:50Z)

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。