論文の概要: FROST: Training-Free Few-Shot Segmentation with Frozen Features and Nonparametric Statistics
- arxiv url: http://arxiv.org/abs/2606.31136v1
- Date: Tue, 30 Jun 2026 05:06:06 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-01 18:27:19.082459
- Title: FROST: Training-Free Few-Shot Segmentation with Frozen Features and Nonparametric Statistics
- Title（参考訳）: FROST:凍結特徴量と非パラメトリック統計量を用いたトレーニングフリーのFew-Shotセグメンテーション
- Abstract要約: 短いショットセグメンテーションでは、クエリイメージのターゲットクラスを、注釈付き例のほんの一握りの例から記述するよう、モデルに求めている。
凍結したDINOv3特徴の単位球面上の2点の雲として、基準フォアグラウンドと背景を扱い、トレーニング不要な小ショットセグメンタであるFROSTを紹介する。
- 参考スコア（独自算出の注目度）: 0.751390599566847
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Few-shot segmentation asks a model to delineate a target class in a query image from only a handful of annotated examples, a setting most acute in remote sensing, where labels are scarce and the imagery departs sharply from the natural images on which vision backbones are pretrained. Prevailing approaches either train a segmenter on labelled episodes, which raises accuracy within the training distribution but binds the model to it, or reduce each class to a lossy summary of frozen features, a single prototype, a few cluster prototypes, or a discrete clustering, none of which preserves the internal structure of a multimodal class. We argue that a class is better described by a distribution than by a point, and that frozen self-supervised features already carry enough structure to estimate that distribution directly. We introduce FROST, a training-free few-shot segmenter that treats the reference foreground and background as two point clouds on the unit sphere of frozen DINOv3 features and labels each query token by a nonparametric density ratio, with a threshold the Bayes rule fixes at zero under equal priors. Because the variance of a density estimate shrinks as its sample grows, the decision sharpens as references accumulate, and every remaining quantity from the kernel bandwidth to the spatial gate is read from the support set rather than tuned. We develop FROST for overhead imagery, where a class is typically a scatter of many small and dissimilar instances that a density tracks but a lossy summary blurs. Across seventeen remote-sensing benchmarks FROST surpasses both training-free and learning-based methods, leading by 5.6 mIoU from a single annotated example and widening its lead as the support set grows, all while remaining among the smallest models compared. Code is available at https://github.com/jhpark-ai/FROST.
- Abstract（参考訳）: 少ないショットセグメンテーションでは、いくつかの注釈付き例から、ラベルが不足し、画像が視線バックボーンが予めトレーニングされている自然画像から急激に逸脱する、リモートセンシングにおいて最も急激な設定まで、クエリイメージのターゲットクラスをデライン化するようにモデルに要求する。
一般的なアプローチでは、ラベル付きエピソードでセグメンタをトレーニングし、トレーニングディストリビューション内で正確性を向上するが、モデルにバインドする。あるいは、各クラスを、凍結した機能、単一のプロトタイプ、いくつかのクラスタプロトタイプ、あるいは離散クラスタリングの損失の少ないサマリに縮小する。
我々は、あるクラスが一点よりも分布によって記述される方がよいと論じ、凍結した自己監督的特徴は、その分布を直接見積もるのに十分な構造を持っている。
FROSTは,凍結したDINOv3特徴の単位球面上の2点の雲として,基準前景と背景を扱い,各クエリトークンを非パラメトリック密度比でラベル付けし,ベイズ規則を0で固定する閾値を等しい事前条件で導入する。
密度推定のばらつきはサンプルが大きくなるにつれて小さくなるので、基準が蓄積するにつれて決定が鋭くなり、調整されるのではなく、カーネル帯域幅から空間ゲートまでの残量を読み取る。
FROSTは、クラスが通常、密度をトラックするが、余分な要約がぼやけている多くの小型で異種なインスタンスの散乱である、オーバーヘッド画像のためのFROSTを開発する。
17のリモートセンシングベンチマークのうち、FROSTはトレーニングフリーと学習ベースの両方の手法を上回り、単一の注釈付き例から5.6 mIoUを導き、サポートセットが大きくなるにつれてリードを広げる。
コードはhttps://github.com/jhpark-ai/FROSTで入手できる。
関連論文リスト
- CloSeR: Unified Relational Distillation from Closed-Set Teachers for Category Discovery [16.721682363090043]
CloSeRは、一般カテゴリー発見トレーニングにクローズドセットの知識を注入する。
6つのベンチマークでのDINOとDINOv2のバックボーンの実験は、GCDベースラインよりも一貫した利得を示している。
論文 参考訳（メタデータ） (2026-08-26T12:10:54Z) - Making Training-Free Diffusion Segmentors Scale with the Generative Power [118.72472901404814]
一連の研究は、事前学習された拡散モデルを、それ以上の訓練をせずに意味的セグメンテーションに適応することに焦点を当てている。
本稿では,自動アグリゲーションと画素単位の再スケーリングという2つの手法を提案する。
論文 参考訳（メタデータ） (2026-03-06T11:35:37Z) - Temper-Then-Tilt: Principled Unlearning for Generative Models through Tempering and Classifier Guidance [51.532841645285835]
本研究では,タスクを目標分布に対する密度比推定としてフレーミングすることで,大規模生成モデルにおける機械学習について検討する。
左折集合がシャープで集中したデータ分布を表す場合、有限サンプルで忠実に解けないことを示す。
本稿では,基本モデルを凍結し,二段階の推論手法を適用したTemper-Then-Tilt Unlearning(T3-Unlearning)を提案する。
論文 参考訳（メタデータ） (2026-02-10T19:08:40Z) - CountingDINO: A Training-free Pipeline for Class-Agnostic Counting using Unsupervised Backbones [7.717986156838291]
CAC(Class-Agnostic counting)は、事前に定義されたカテゴリに制限されることなく、画像内のオブジェクト数を推定することを目的としている。
現在のCAC法はトレーニングのためにラベル付きデータに大きく依存している。
初となるCACフレームワークであるCountingDINOを紹介する。
論文 参考訳（メタデータ） (2025-04-23T09:48:08Z) - Deep Domain Isolation and Sample Clustered Federated Learning for Semantic Segmentation [2.515027627030043]
本稿では,2次元セグメンテーションタスクにおける参加者間の共変量変化の影響を初めて検討する。
我々は、モデルの勾配空間内で直接画像領域を分離するディープドメイン分離(DDI)を開発する。
我々は,このクラスタリングアルゴリズムをSCFL(Sample Clustered Federated Learning)フレームワークを通じて活用する。
論文 参考訳（メタデータ） (2024-10-04T12:43:07Z) - FreeSeg-Diff: Training-Free Open-Vocabulary Segmentation with Diffusion Models [49.80911683739506]
我々は,閉鎖語彙データセットのトレーニングモデルによって伝統的に解決されるイメージセグメンテーションの課題に焦点をあてる。
我々は、ゼロショットのオープン語彙セグメンテーションのために、異なる、比較的小さなオープンソース基盤モデルを活用している。
当社のアプローチ(別名FreeSeg-Diff)は、トレーニングに依存しないもので、Pascal VOCとCOCOデータセットの両方で多くのトレーニングベースのアプローチより優れています。
論文 参考訳（メタデータ） (2024-03-29T10:38:25Z) - Rethinking Few-shot 3D Point Cloud Semantic Segmentation [62.80639841429669]
本稿では,FS-PCSによる3Dポイント・クラウドセマンティックセマンティックセグメンテーションについて再検討する。
我々は、最先端の2つの重要な問題、前景の漏洩とスパースポイントの分布に焦点をあてる。
これらの問題に対処するために、新しいベンチマークを構築するための標準化されたFS-PCS設定を導入する。
論文 参考訳（メタデータ） (2024-03-01T15:14:47Z) - Which Pixel to Annotate: a Label-Efficient Nuclei Segmentation Framework [70.18084425770091]
ディープニューラルネットワークは、H&E染色病理像の核インスタンスセグメンテーションに広く応用されている。
通常、類似したパターンと冗長なパターンを含む核画像のデータセットに全てのピクセルをラベル付けするのは非効率で不要である。
そこで本研究では,アノテートするイメージパッチを数個だけ選択し,選択したサンプルからトレーニングセットを増強し,半教師付きで核分割を実現する,新しいフル核分割フレームワークを提案する。
論文 参考訳（メタデータ） (2022-12-20T14:53:26Z) - Self-Supervised Learning by Estimating Twin Class Distributions [26.7828253129684]
本稿では,大規模未ラベルデータセットをエンドツーエンドに分類し,自己教師付き表現学習手法TWISTを提案する。
2つの拡張画像の2つのクラス分布を生成するために、ソフトマックス演算で終了するシマセネットワークを用いる。
具体的には、各サンプルの分布のエントロピーを最小化し、各サンプルのクラス予測を行い、平均分布のエントロピーを最大化し、異なるサンプルの予測を多様化させる。
論文 参考訳（メタデータ） (2021-10-14T14:39:39Z) - Multi-Class Data Description for Out-of-distribution Detection [25.853322158250435]
Deep-MCDDは、分布外(OOD)サンプルを検出するだけでなく、分布内(ID)サンプルを分類するのに効果的です。
ガウス微分分析の概念をディープニューラルネットワークに統合することにより,クラス条件分布を学習する深層学習目標を提案する。
論文 参考訳（メタデータ） (2021-04-02T08:41:51Z) - Generalized Focal Loss: Learning Qualified and Distributed Bounding
Boxes for Dense Object Detection [85.53263670166304]
一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。
1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。
本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
論文 参考訳（メタデータ） (2020-06-08T07:24:33Z) - From Anchor Generation to Distribution Alignment: Learning a
Discriminative Embedding Space for Zero-Shot Recognition [46.47620562161315]
ゼロショット学習(ZSL)では、分類されるサンプルは通常、属性などのサイド情報テンプレートに投影される。
我々は,DAGDA(Distriminative Anchor Generation and Distribution Alignment Model)と呼ばれる新しいフレームワークを提案する。
まず, 拡散型グラフ畳み込みネットワークを用いて, クラス情報と側情報の相互作用を明示的にモデル化し, 識別的アンカーを生成する手法を提案する。
第二に、アンカー空間におけるサンプルと対応するアンカーとをさらに整合させるため、細粒度に分布を洗練させることを目的として、意味的関係正則化を導入する。
論文 参考訳（メタデータ） (2020-02-10T05:25:33Z)
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。