論文の概要: GEAR-Seg: A Grounded Explainable Agent for Reasoning Segmentation and Data Engine

• arxiv url: http://arxiv.org/abs/2607.00544v1
• Date: Wed, 01 Jul 2026 07:35:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-02 19:56:07.77894
• Title: GEAR-Seg: A Grounded Explainable Agent for Reasoning Segmentation and Data Engine
• Title（参考訳）: GEAR-Seg: セグメンテーションとデータエンジンを推論するための説明可能なエージェント
• Abstract要約: GEAR-Segは暗黙の推論を明示的で追跡可能な論理チェーンに変換する。 GEAR-Segは本質的に高度にスケーラブルなデータエンジンとして機能する。 自動化パイプラインによって排他的に監督されるモデルは、コストのかかる人手によるベースラインの上限性能と密接に一致します。
• 参考スコア（独自算出の注目度）: 8.312065094839399
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Reasoning segmentation requires localizing targets based on complex, implicit queries. Current end-to-end models typically entangle perception and deduction into an opaque black box, severely limiting interpretability and scalability. To address this, we propose GEAR-Seg (Grounded Explainable Agent for Reasoning Segmentation), an explicitly decoupled agent that shifts the paradigm by translating visual pixels into dense, attribute-rich text. By decoupling class-agnostic segmentation, semantic description, and Large Language Model (LLM) deduction, GEAR-Seg transforms implicit reasoning into an explicit, trackable logic chain. As a zero-shot inference framework, it achieves highly competitive performance across diverse reasoning and fine-grained referring segmentation benchmarks. Furthermore, GEAR-Seg inherently functions as a highly scalable data engine. Utilizing this engine, we construct GEAR-131K, a massive benchmark (over 38k images, 656k QA-mask pairs) introducing a multifaceted taxonomy tailored for complex real-world manipulation-oriented reasoning. Finally, distillation experiments demonstrate that lightweight models supervised exclusively by our automated pipeline closely match the upper-bound performance of costly human-annotated baselines.
• Abstract（参考訳）: セグメンテーションでは、複雑な暗黙のクエリに基づいてターゲットをローカライズする必要がある。 現在のエンド・ツー・エンドのモデルは一般的に知覚と推論を不透明なブラックボックスに巻き込み、解釈可能性とスケーラビリティを著しく制限している。 そこで我々は,GEAR-Seg (Grounded Explainable Agent for Reasoning Segmentation, GEAR-Seg)を提案する。 GEAR-Segは、クラスに依存しないセグメンテーション、セマンティック記述、およびLarge Language Model(LLM)推論を分離することにより、暗黙の推論を明示的で追跡可能な論理チェーンに変換する。 ゼロショット推論フレームワークとして、多種多様な推論ときめ細かい参照セグメンテーションベンチマークにまたがる高い競争性能を達成する。 さらに、GEAR-Segは本質的に高度にスケーラブルなデータエンジンとして機能する。 このエンジンを利用することで、複雑な実世界の操作指向の推論に適した多面的分類法を導入した大規模なベンチマーク(38k以上の画像、656kのQAマスクペア)であるGEAR-131Kを構築した。 最後に, 蒸留実験により, 自動パイプラインのみに制御された軽量モデルが, コストのかかる人為的なベースラインの上限性能と密に一致していることを示した。

関連論文リスト

• PiPS: Post-Hoc Prototypical Explanations for Interpretable Semantic Segmentation [1.4649457503983967]
  セマンティックセグメンテーションモデルのための説明を生成するための,最初の完全ポストホック解であるPiPS(Post-hoc Interpretable Prototypeal)を提案する。 本手法は,任意の事前学習ネットワークから直感的かつ空間的局所的な説明を,修正や微調整を伴わずに抽出することができる。 このアプローチは、高度なコンピュータビジョンタスクに透過的なシステムを安全かつ費用効率で配置するための新たな道を開く。
  論文  参考訳（メタデータ） (2026-09-15T09:40:37Z)
• DGSeg: Dynamic Gating of Semantic-Spatial Guided Predictions for Reasoning Segmentation [5.5825182710791275]
  推論セグメンテーションは、複雑な言語クエリが与えられたターゲットに対してピクセルワイズマスクを予測することを目的としている。 本稿では,意味的および空間的手がかりによって導かれる予測を融合させるフレームワークであるDGSegを提案する。 実験によると、DGSegは複数のベンチマークで強いベースラインを一貫して上回っている。
  論文  参考訳（メタデータ） (2026-07-06T08:10:03Z)
• CR-Seg: Attention-Guided and CoT-Enhanced Coarse-to-Refined Reasoning Segmentation [26.21876180083083]
  Reasoning segmentation は、複雑な言語で記述されたターゲットオブジェクトを視覚的・テキスト的推論によって分割することを目的としている。 既存の手法では、学習したセマンティックトークンを使ってMLLM(Multimodal Large Language Models)とセグメンテーションモデルをブリッジする。 本稿では,空間分割のための2段階フレームワークCR-Segを提案する。
  論文  参考訳（メタデータ） (2026-06-02T12:30:04Z)
• Beyond Semantic Similarity: Rethinking Retrieval for Agentic Search via Direct Corpus Interaction [127.64173950476702]
  エージェントが直接、汎用端末ツールを用いて、生コーパスを直接検索する直接コーパス間相互作用(DCI)について検討する。 このアプローチではオフラインインデックスを必要とせず、ローカルコーパスの進化に自然に適応する。 IRベンチマークとエンドツーエンドのエージェント検索タスク全体にわたって、この単純なセットアップは、強いスパース、密度、リランクベースラインよりも大幅に優れています。
  論文  参考訳（メタデータ） (2026-05-03T19:13:11Z)
• Spatial Atlas: Compute-Grounded Reasoning for Spatial-Aware Research Agent Benchmarks [1.5229257192293202]
  空間認識型研究エージェントのための計算基底推論(CGR)を導入する。 CGRは空間認識型研究エージェントの設計パラダイムであり、全ての答え可能なサブプロブレムは決定論的計算によって解決される。 我々は,CGRが解釈可能性を維持しながら競争精度を向上することを示した。
  論文  参考訳（メタデータ） (2026-04-13T22:22:07Z)
• CORE-Seg: Reasoning-Driven Segmentation for Complex Lesions via Reinforcement Learning [48.77689764063103]
  推論駆動型複雑病変セグメンテーションのための最初の多種多様なChain-of-ThoughtベンチマークであるComLesion-14Kを紹介する。 本稿では,セマンティックガイド型プロンプトアダプタによる推論とセグメンテーションを統合したエンドツーエンドフレームワークであるCORE-Segを提案する。 我々の手法は、平均Diceが37.06%(第2ベットベースラインよりも14.89%高い)であり、失敗率は18.42%に低下する。
  論文  参考訳（メタデータ） (2026-03-06T04:58:55Z)
• CoT-Seg: Rethinking Segmentation with Chain-of-Thought Reasoning and Self-Correction [50.67483317563736]
  本稿では,段階的に考察し,必要な情報を検索し,結果を生成し,自己評価を行い,結果を洗練するシステムを提案する。 CoT-Segは、思考の連鎖推論と自己補正を組み合わせることで、推論セグメンテーションを再考する、トレーニング不要のフレームワークである。
  論文  参考訳（メタデータ） (2026-01-24T11:41:54Z)
• A Reasoning Paradigm for Named Entity Recognition [16.86833034216367]
  名前付きエンティティ認識のための推論フレームワークが提案されている。 フレームワークは、Chain of Thought(CoT)生成、CoTチューニング、推論強化の3つのステージで構成されている。 実験では、ReasoningNERがNERタスクにおける印象的な認知能力を示し、競争性能を達成する。
  論文  参考訳（メタデータ） (2025-11-15T01:31:43Z)
• LENS: Learning to Segment Anything with Unified Reinforced Reasoning [38.582392908238866]
  LENSは拡張性のある強化学習フレームワークで、推論プロセスとセグメンテーションをエンドツーエンドで共同で最適化する。 LENSはRefCOCO、RefCOCO+、RefCOCOgのベンチマークで平均81.2%のcIoUを達成し、GLaMMという強力な微調整法を最大5.6%上回っている。
  論文  参考訳（メタデータ） (2025-08-19T17:59:53Z)
• Think Before You Segment: High-Quality Reasoning Segmentation with GPT Chain of Thoughts [64.93416171745693]
  ThinkFirstはトレーニング不要の推論セグメンテーションフレームワークである。 我々のアプローチでは、GPT-4oや他の強力なMLLMが画像の詳細なチェーン記述を生成することができる。 この要約された記述は、セグメンテーションプロセスを支援するために言語で指示されたセグメンテーションアシスタントに渡される。
  論文  参考訳（メタデータ） (2025-03-10T16:26:11Z)
• LISA: Reasoning Segmentation via Large Language Model [68.24075852136761]
  そこで我々は,新たなセグメンテーションタスク,すなわち推論セグメンテーションを提案する。 このタスクは、複雑で暗黙的なクエリテキストを与えられたセグメンテーションマスクを出力するように設計されている。 提案するLISA: Large Language Instructed Assistantは,マルチモーダル大規模言語モデルの言語生成能力を継承する。
  論文  参考訳（メタデータ） (2023-08-01T17:50:17Z)
• Context-aware Fine-tuning of Self-supervised Speech Models [56.95389222319555]
  微調整におけるコンテキスト,すなわち周辺セグメントの使用について検討する。 我々はコンテキスト認識ファインチューニングと呼ばれる新しいアプローチを提案する。 いくつかの下流タスクに対して,SLUE と Libri-light ベンチマークを用いて提案手法の評価を行った。
  論文  参考訳（メタデータ） (2022-12-16T15:46:15Z)

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。