論文の概要: Reload-Mamba: Hierarchical Anti-Dilution State-Space Modeling for Multi-Class Semantic Segmentation
- arxiv url: http://arxiv.org/abs/2606.17966v1
- Date: Tue, 16 Jun 2026 14:17:24 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-17 17:15:32.475973
- Title: Reload-Mamba: Hierarchical Anti-Dilution State-Space Modeling for Multi-Class Semantic Segmentation
- Title（参考訳）: Reload-Mamba:マルチクラスセマンティックセマンティックセグメンテーションのための階層的反希釈状態空間モデリング
- Authors: Sheng-Wei Chan, Hsin-Jui Pan, Jen-Shiun Chiang,
- Abstract要約: マンバをベースとした状態空間モデルは高分解能密度予測のための線形時間長距離モデリングを提供する。
Reload-Mambaは,3つのセグメンテーション特異的な設計を通じて,伝搬誘起応答の希釈に対処するフレームワークである。
Reload-MambaはADE20Kでは47.9%のシングルスケール(48.9%のマルチスケール)mIoU、Cityscapesでは83.2%のシングルスケールmIoUを達成した。
- 参考スコア（独自算出の注目度）: 0.3823356975862005
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Mamba-based state space models offer linear-time long-range modeling for high-resolution dense prediction, but sequential state-space propagation can attenuate boundary-sensitive and detail-sensitive responses that are critical in multi-class semantic segmentation. We propose Reload-Mamba, a semantic segmentation framework that addresses this propagation-induced response dilution through three segmentation-specific designs: (i) a boundary-supervised local detail prior that is explicitly trained with ground-truth boundary masks to identify regions requiring response restoration; (ii) a class-uncertainty-aware Reload Gate that incorporates per-pixel class entropy from a pre-reload auxiliary head as an additional gating signal, a formulation that is informative only under multi-class dense prediction; and (iii) a hierarchical multi-level Reload mechanism that applies anti-dilution refinement at three decoder levels and fuses the restored representations top-down. Built upon a ConvNeXt-Tiny encoder with a multi-scale decoder and four-directional Mamba scanning with pixel-wise directional attention, Reload-Mamba achieves 47.9% single-scale (48.9% multi-scale) mIoU on ADE20K and 83.2% single-scale mIoU on Cityscapes. With ResNet-101 + COCO pre-training under the standard DeepLab-style protocol, Reload-Mamba reaches 87.8% mIoU on PASCAL VOC 2012 val. Controlled ablations show that each of the three segmentation-specific designs contributes beyond a direct port of the prior anti-dilution architecture proposed for binarization, cumulatively improving over the direct-port baseline by +2.2 mIoU on ADE20K.
- Abstract（参考訳）: マンバをベースとした状態空間モデルは、高分解能密度予測のための線形時間長距離モデリングを提供するが、逐次状態空間伝播は、多クラスセマンティックセマンティックセグメンテーションにおいて重要な境界感度および詳細感度応答を減衰させることができる。
Reload-Mambaは3つのセグメンテーション固有の設計を通して、この伝播誘起応答希釈に対処するセグメンテーションフレームワークである。
一 応答回復を必要とする地域を特定するために、地道な境界面を明示的に訓練する前の境界監督地域詳細
(二 プリリロード補助ヘッドからの画素単位のエントロピーを付加的なゲーティング信号として組み込んだクラス不確実性を考慮したリロードゲート、多クラス密集予測のみに通知する定式化
3) 3つのデコーダレベルでのアンチ希釈精製を適用し、復元された表現をトップダウンに融合する階層的多層リロード機構。
ConvNeXt-Tinyエンコーダにマルチスケールのデコーダと4方向のMambaスキャンを画素方向の注目で搭載したReload-MambaはADE20Kで47.9%のシングルスケール(48.9%のマルチスケール)mIoU、Cityscapesで83.2%のシングルスケールmIoUを達成した。
ResNet-101 + COCOを標準のDeepLabスタイルのプロトコルで事前トレーニングすることで、Reload-MambaはPASCAL VOC 2012 valで87.8% mIoUに達した。
制御されたアブリゲーションにより、これらの3つのセグメンテーション固有の設計は、バイナライゼーションのために提案された以前の抗希釈アーキテクチャの直接ポートを超えて寄与し、ADE20K上で+2.2 mIoUで直接ポートベースラインを累積的に改善している。
関連論文リスト
- Scaling Parallel Sequence Models to Foundation-Scale Vision Encoders [123.58723804218151]
ビジョンファウンデーションモデルは、自己注意の二次的なコストによってボトルネックとなる。
2次元空間伝搬伝搬に基づくC-GSPNを提案する。
論文 参考訳（メタデータ） (2026-05-30T14:29:43Z) - BuildMamba: A Visual State-Space Based Model for Multi-Task Building Segmentation and Height Estimation from Satellite Images [0.6773121102591491]
BuildMambaは、ビジュアルステートスペースモデルの線形時間グローバルモデリングを活用するために設計された統合マルチタスクフレームワークである。
DFC23ベンチマークでは0.93のIoUと1.77mのRMSEが達成され、高度推定では0.82mを超える。
論文 参考訳（メタデータ） (2026-03-09T15:56:42Z) - Mixture of Universal Experts: Scaling Virtual Width via Depth-Width Transformation [49.44855760291454]
Mixture-of-Experts (MoE) は、モデルのキャパシティをトーケン毎の計算から切り離す。
MoEの一般化は、新しいスケーリングディメンションであるVirtual Widthを導入している。
MoEは継続的にMoEベースラインに匹敵する性能を1.3%まで上回っている。
論文 参考訳（メタデータ） (2026-03-05T09:07:45Z) - MoSa: Motion Generation with Scalable Autoregressive Modeling [41.75643989500953]
テキスト駆動型3次元モーション生成のための新しい階層型モーション生成フレームワークであるMoSaを紹介する。
MoSaは最先端の生成品質と効率を達成し、忠実さとスピードの両方で先行手法より優れています。
MoSaはモーション編集などの下流タスクを一般化し、追加の微調整を必要としない。
論文 参考訳（メタデータ） (2025-11-03T03:47:58Z) - WaveSeg: Enhancing Segmentation Precision via High-Frequency Prior and Mamba-Driven Spectrum Decomposition [61.3530659856013]
本稿では,空間およびウェーブレット領域の機能改善を共同で最適化する新しいデコーダアーキテクチャであるWaveSegを提案する。
高周波成分は、まず入力画像から、境界の詳細を強化するために明示的な先行として学習される。
標準ベンチマークの実験では、Mambaベースの注目に先立ってウェーブレット-ドメイン周波数を利用するWaveSegが、常に最先端のアプローチより優れていることが示されている。
論文 参考訳（メタデータ） (2025-10-24T01:41:31Z) - MOBIUS: Big-to-Mobile Universal Instance Segmentation via Multi-modal Bottleneck Fusion and Calibrated Decoder Pruning [91.90342432541138]
モデルサイズとトレーニングデータのスケールアップには、インスタンスレベルの知覚のための高度な基盤モデルがある。
資源制約されたプラットフォームにおける高い計算コスト制限。
我々は,高性能コンピューティングプラットフォームとモバイルデバイスの両方において,効率的なセグメンテーションのための新しいベンチマークを導入する。
論文 参考訳（メタデータ） (2025-10-16T18:00:00Z) - Localizing Audio-Visual Deepfakes via Hierarchical Boundary Modeling [50.8215545241128]
私たちはaを提案します。
境界モデリングネットワーク(HBMNet)には、オーディオ・ビジュアル・フィーチャー(Audio-Visual Feature)という3つのモジュールが含まれている。
粗提案発電機と微細階層確率発生装置
モダリティの観点からは、フレームレベルの監督によって強化されたオーディオ・ビジュアル・エンコーディングと融合を強化する。
実験により、符号化と融合が主に精度を向上し、フレームレベルの監視リコールが可能であることが示された。
論文 参考訳（メタデータ） (2025-08-04T02:41:09Z) - MVNet: Hyperspectral Remote Sensing Image Classification Based on Hybrid Mamba-Transformer Vision Backbone Architecture [12.168520751389622]
ハイパースペクトル画像(HSI)分類は、高次元データ、限られたトレーニングサンプル、スペクトル冗長性といった課題に直面している。
本稿では,3D-CNNの局所特徴抽出,Transformerのグローバルモデリング,Mambaの線形シーケンスモデリング機能を統合した新しいMVNetネットワークアーキテクチャを提案する。
IN、UP、KSCデータセットでは、MVNetは分類精度と計算効率の両方で主流のハイパースペクトル画像分類法より優れている。
論文 参考訳（メタデータ） (2025-07-06T14:52:26Z) - A feature refinement module for light-weight semantic segmentation network [11.285793559719702]
本稿では,軽量ネットワークのセマンティック情報を得る能力を向上させるために,新しいセマンティックセマンティックセマンティクス手法を提案する。
Cityscapes と Bdd100K のデータセットを用いて,提案手法が精度と計算コストのトレードオフを期待できることを示す。
論文 参考訳（メタデータ） (2024-12-11T03:31:20Z) - Triple Point Masking [49.39218611030084]
既存の3Dマスク学習手法は、限られたデータの下でパフォーマンスボトルネックに遭遇する。
我々は、マスク付きオートエンコーダの事前学習のためのスケーラブルなフレームワークとして、TPMと呼ばれるトリプルポイントマスキング方式を導入する。
大規模な実験により,提案したTPMを組み込んだ4つのベースラインが,下流タスクの総合的な性能向上を実現することが示された。
論文 参考訳（メタデータ） (2024-09-26T05:33:30Z)
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。