論文の概要: When Does Resolution Help a Frozen Backbone? Global Attention at Resolution Predicts Scalable Adaptation for Camouflaged and Marine Animal Segmentation

• arxiv url: http://arxiv.org/abs/2607.02708v1
• Date: Thu, 02 Jul 2026 18:51:54 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:29.39948
• Title: When Does Resolution Help a Frozen Backbone? Global Attention at Resolution Predicts Scalable Adaptation for Camouflaged and Marine Animal Segmentation
• Title（参考訳）: 決議は背骨の凍結を助けるか? カモフラージュと海洋動物の分節に対するスケーラブルな適応を国際的注意が予測する
• Abstract要約: 異方性のあるViTは、全グリッド上でグローバルに参加し、解像度で改善を続けます。 階層的なバックボーンは 早期の注意を地元の窓に向け グリッドをプールする グローバルステージの前に 強い等方性バックボーン上のRGBのみのパスは、4つのデータマッチングされたカモフラートセット上で最高のS測定に勝つ。
• 参考スコア（独自算出の注目度）: 9.87700552097685
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Adapting frozen vision foundation models to fine-grained segmentation now largely depends on backbone selection. Whether the backbone applies global attention to a high-resolution token set predicts whether a low-rank adapter turns resolution into accuracy. Isotropic ViTs attend globally over the full grid and keep improving with resolution; hierarchical backbones confine early attention to local windows and pool the grid before their global stages, plateauing at lower resolutions. A controlled six-backbone study establishes the pattern, and editing the backbone points to the cause: pooling keeps the benefit, removing global attention does not. The effect is specific to low-rank adaptation. Under one fixed pipeline, SALT (Side-stem, Attention-gated U-Net, Low-rank Tuning), one RGB-only pass on a strong isotropic backbone wins the best S-measure on the four data-matched camouflaged sets, and leads every marine and salient set. It reaches a new state of the art on both marine-animal benchmarks (MAS3K mIoU 0.878).
• Abstract（参考訳）: 凍結した視覚基盤モデルをきめ細かなセグメンテーションに適応することは、バックボーンの選択に大きく依存している。 バックボーンが高解像度のトークンセットにグローバルな注意を払っているかは、低ランクのアダプタが解像度を正確にするかどうかを予測する。 階層的なバックボーンは、ローカルウィンドウに早期の注意を集中させ、グローバルステージの前にグリッドをプールし、低解像度でプラタリングする。 制御された6つのバックボーンの研究は、このパターンを確立し、バックボーンのポイントを編集する。 この効果は低ランク適応に特化している。 1つの固定パイプライン、SALT (Side-stem, Attention-gated U-Net, Low-rank Tuning) の下では、強い等方性バックボーン上のRGBのみのパスが、4つのデータマッチングされたカモフラージュセット上で最高のS測度を獲得し、すべての海洋および塩分集合を導く。 両海洋動物ベンチマーク(MAS3K mIoU 0.878)で新たな最先端に達する。

関連論文リスト

• MoCapAnything V2: End-to-End Motion Capture for Arbitrary Skeletons [56.68975315643491]
  本稿では,ビデオ・ツー・ローテーションとビデオ・ツー・ローテーションを共同で学習し,最適化する,最初のエンドツーエンドフレームワークを提案する。 本手法は, メッシュベースパイプラインの20倍の速度で, 回転誤差を17度から10度, 見えない骨格では6.54度に低減する。
  論文  参考訳（メタデータ） (2026-04-30T17:16:38Z)
• Scale-DiT: Ultra-High-Resolution Image Generation with Hierarchical Local Attention [50.391914489898774]
  Scale-DiTは、階層的な局所的注意を低解像度のグローバルガイダンスで導入する新しい拡散フレームワークである。 軽量なLoRA適応は、デノナイズ中のグローバルパスとローカルパスをブリッジし、構造と詳細の整合性を確保する。 実験によると、Scale-DiTは2ドル以上の高速な推論とメモリ使用量の削減を実現している。
  論文  参考訳（メタデータ） (2025-10-18T03:15:26Z)
• CA-I2P: Channel-Adaptive Registration Network with Global Optimal Selection [26.9769444535474]
  本稿では,Channel Adaptive Adjustment Module (CAA)とGlobal Optimal Selection Module (GOS)を提案する。 CAAはモーダル内機能を強化し、モーダル間感度を抑える一方、GOSは局所的な選択をグローバルな最適化に置き換える。 RGB-D Scenes V2 と 7-Scenes の実験により,本手法の優位性を実証し,画像間クラウド登録における最先端性能を実現した。
  論文  参考訳（メタデータ） (2025-06-26T15:15:18Z)
• FGSGT: Saliency-Guided Siamese Network Tracker Based on Key Fine-Grained Feature Information for Thermal Infrared Target Tracking [11.599952876425736]
  そこで本稿では, キーきめ細かい特徴量に基づく新しいサリエンシ誘導型シームズネットワークトラッカーを提案する。 この設計は、浅い層から重要なグローバルな特徴を捉え、特徴の多様性を高め、きめ細かいインフォームの損失を最小限にする。 実験の結果,提案したトラッカーが最も精度が高く,成功率も高いことがわかった。
  論文  参考訳（メタデータ） (2025-04-19T14:13:15Z)
• PatchFusion: An End-to-End Tile-Based Framework for High-Resolution Monocular Metric Depth Estimation [47.53810786827547]
  単一画像深度推定はコンピュータビジョンと生成モデルの基本課題である。 PatchFusionは3つのキーコンポーネントを持つタイルベースの新しいフレームワークで、最先端技術を改善する。 UnrealStereo4K、MVS-Synth、Middleburry 2014の実験は、我々のフレームワークが複雑な詳細で高解像度の深度マップを作成できることを実証している。
  論文  参考訳（メタデータ） (2023-12-04T19:03:12Z)
• Frequency Perception Network for Camouflaged Object Detection [51.26386921922031]
  周波数領域のセマンティック階層によって駆動される新しい学習可能かつ分離可能な周波数知覚機構を提案する。 ネットワーク全体では、周波数誘導粗い局所化ステージと細部保存の微細局在化ステージを含む2段階モデルを採用している。 提案手法は,既存のモデルと比較して,3つのベンチマークデータセットにおいて競合性能を実現する。
  論文  参考訳（メタデータ） (2023-08-17T11:30:46Z)
• Adaptive Sparse Convolutional Networks with Global Context Enhancement for Faster Object Detection on Drone Images [26.51970603200391]
  本稿では,スパース畳み込みに基づく検出ヘッドの最適化について検討する。 これは、小さなオブジェクトのコンテキスト情報の不十分な統合に悩まされる。 本稿では,グローバルな文脈拡張型適応スパース畳み込みネットワークを提案する。
  論文  参考訳（メタデータ） (2023-03-25T14:42:50Z)
• Learning Target-aware Representation for Visual Tracking via Informative Interactions [49.552877881662475]
  トラッキングのための特徴表現のターゲット認識能力を改善するために,新しいバックボーンアーキテクチャを提案する。 提案したGIMモジュールとInBN機構は、CNNやTransformerなど、さまざまなバックボーンタイプに適用可能である。
  論文  参考訳（メタデータ） (2022-01-07T16:22:27Z)
• Augmenting Convolutional networks with attention-based aggregation [55.97184767391253]
  我々は,非局所的推論を実現するために,注目に基づくグローバルマップを用いた畳み込みネットワークの強化方法を示す。 この学習集約層を2つのパラメータ(幅と深さ)でパラメータ化した単純パッチベースの畳み込みネットワークで接続する。 これは、特にメモリ消費の点で、精度と複雑さの間の驚くほど競争力のあるトレードオフをもたらす。
  論文  参考訳（メタデータ） (2021-12-27T14:05:41Z)
• Learning to Estimate Hidden Motions with Global Motion Aggregation [71.12650817490318]
  閉塞は、局所的な証拠に依存する光学フローアルゴリズムに重大な課題をもたらす。 最初の画像でピクセル間の長距離依存性を見つけるために,グローバルモーションアグリゲーションモジュールを導入する。 遮蔽領域における光流量推定が非遮蔽領域における性能を損なうことなく大幅に改善できることを実証した。
  論文  参考訳（メタデータ） (2021-04-06T10:32:03Z)

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。