論文の概要: `Attention-Guided Cross-Temporal Clustering for Self-Supervised Video Object Segmentation

• arxiv url: http://arxiv.org/abs/2607.07230v1
• Date: Wed, 08 Jul 2026 10:13:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-09 22:50:30.351646
• Title: `Attention-Guided Cross-Temporal Clustering for Self-Supervised Video Object Segmentation
• Title（参考訳）: 自己監督型ビデオオブジェクトセグメンテーションのための注意誘導型クロステンポラルクラスタリング
• Abstract要約: ビデオオブジェクトセグメンテーション(VOS)は、ビデオ理解における基本的なタスクであり、フレーム間のオブジェクトの正確な記述と一貫した追跡を必要とする。 本稿では、注意誘導トークン選択と軽量時間クラスタリングを組み合わせることで、部分認識表現を学習する自己教師型フレームワークであるクロステンポラル一貫性とクラスタリングを提案する。
• 参考スコア（独自算出の注目度）: 16.700937089524803
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video object segmentation (VOS) is a fundamental task in video understanding, requiring accurate delineation and consistent tracking of objects across frames. While supervised methods achieve strong performance, they rely on densely annotated datasets that are costly to obtain and have limited domain coverage. Self-supervised learning offers a promising alternative by removing the need for manual labels; however, existing approaches often struggle to jointly maintain spatial accuracy and temporal coherence, particularly in unconstrained multi-object scenarios. Many rely on optical flow, synthetic motion cues, or task-specific pretraining, limiting scalability and generalisation. We propose a self-supervised framework, Cross-Temporal Consistency and Clustering, that learns mid-level, part-aware representations by combining attention-guided token selection with lightweight temporal clustering. Instead of operating at the pixel or whole-object level, the method aligns soft part assignments across time using a saliency-weighted symmetric consistency objective. The framework leverages a frozen transformer backbone with lightweight modules for adaptive token selection and multi-offset temporal alignment, enabling efficient scaling across resolutions and motion patterns.
• Abstract（参考訳）: ビデオオブジェクトセグメンテーション(VOS)は、ビデオ理解における基本的なタスクであり、フレーム間のオブジェクトの正確な記述と一貫した追跡を必要とする。 教師付き手法は強力なパフォーマンスを実現する一方で、高コストで取得でき、ドメインカバレッジが制限された高密度なアノテーション付きデータセットに依存している。 自己教師付き学習は、手動ラベルの必要性を取り除くことで、有望な代替手段を提供するが、既存のアプローチは、特に制約のないマルチオブジェクトシナリオにおいて、空間的正確性と時間的一貫性を共同で維持するのに苦労することが多い。 多くは光学フロー、合成モーションキュー、タスク固有の事前訓練、スケーラビリティと一般化の制限に依存している。 本稿では,注意誘導型トークン選択と軽量時間クラスタリングを組み合わせることで,中程度の部分認識表現を学習する自己教師型フレームワークであるクロステンポラル一貫性とクラスタリングを提案する。 ピクセルや全体オブジェクトレベルで操作する代わりに、サリエンシ重み付き対称整合性目標を用いて、時間にわたってソフト部分の割り当てを調整する。 このフレームワークは、適応トークン選択とマルチオフセット時間アライメントのための軽量モジュールを備えたフリーズトランスフォーマーバックボーンを活用し、解像度と動きパターンの効率的なスケーリングを可能にする。

関連論文リスト

• SeC: Advancing Complex Video Object Segmentation via Progressive Concept Construction [65.15449703659772]
  ビデオオブジェクト(VOS)はコンピュータビジョンにおける中核的なタスクであり、ターゲットオブジェクトの追跡とセグメント化をモデルに要求する。 本稿では,従来の特徴マッチングから,高レベルなオブジェクト中心表現のプログレッシブな構築と利用へ移行する概念駆動セグメンテーションフレームワークであるセグメンテーション概念(SeC)を提案する。 SeCはSAM SeCVOSよりも11.8ポイント改善され、最先端のコンセプトを意識したビデオオブジェクトセグメンテーションが新たに確立された。
  論文  参考訳（メタデータ） (2025-07-21T17:59:02Z)
• MoSiC: Optimal-Transport Motion Trajectory for Dense Self-Supervised Learning [66.53533434848369]
  密集した表現を学習する動き誘導型自己学習フレームワークを提案する。 6つの画像およびビデオデータセットと4つの評価ベンチマークにおいて、最先端を1%から6%改善する。
  論文  参考訳（メタデータ） (2025-06-10T11:20:32Z)
• SemanticFlow: A Self-Supervised Framework for Joint Scene Flow Prediction and Instance Segmentation in Dynamic Environments [10.303368447554591]
  本稿では,全時間点雲のシーンフローとインスタンスセグメンテーションを同時に予測するマルチタスクフレームワークを提案する。 1)静的な背景と動的オブジェクトの最初の粗いセグメンテーションを用いて、共有特徴処理モジュールを介して動きと意味情報を精製するためのコンテキスト情報を提供するマルチタスクスキームの開発,2)シーンフロー推定とインスタンスセグメンテーションの性能を高めるための損失関数セットの開発,そして,交通シーン内の静的および動的オブジェクトの空間的および時間的一貫性を確保することを支援すること,3)粗い学習スキームの開発。
  論文  参考訳（メタデータ） (2025-03-19T02:43:19Z)
• Learning Motion and Temporal Cues for Unsupervised Video Object Segmentation [49.113131249753714]
  本稿では,動きと時間的手がかりを同時に活用する,MTNetと呼ばれる効率的なアルゴリズムを提案する。 MTNetは、エンコーダ内の特徴抽出過程において、外観と動作の特徴を効果的にマージすることによって考案される。 派生した機能を最適に活用するために、すべての機能レベルのデコーダのカスケードを使用します。
  論文  参考訳（メタデータ） (2025-01-14T03:15:46Z)
• Distilling Spectral Graph for Object-Context Aware Open-Vocabulary Semantic Segmentation [47.047267066525265]
  画像にオブジェクトレベルの文脈知識を取り入れた新しいアプローチを導入する。 提案手法は,多種多様なデータセットにまたがる高い一般化性を有する最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-11-26T06:34:48Z)
• Spatial-Temporal Multi-level Association for Video Object Segmentation [89.32226483171047]
  本稿では,参照フレーム,テストフレーム,オブジェクト特徴を相互に関連付ける空間的・時間的多レベルアソシエーションを提案する。 具体的には,空間的・時間的多段階特徴関連モジュールを構築し,より優れた目標認識特徴を学習する。
  論文  参考訳（メタデータ） (2024-04-09T12:44:34Z)
• Appearance-Based Refinement for Object-Centric Motion Segmentation [85.2426540999329]
  本稿では,ビデオストリームの時間的一貫性を利用して,不正確なフローベース提案を補正する外観に基づく改善手法を提案する。 提案手法では,高精度なフロー予測マスクを模範として,シーケンスレベルの選択機構を用いる。 パフォーマンスは、DAVIS、YouTube、SegTrackv2、FBMS-59など、複数のビデオセグメンテーションベンチマークで評価されている。
  論文  参考訳（メタデータ） (2023-12-18T18:59:51Z)
• Betrayed by Attention: A Simple yet Effective Approach for Self-supervised Video Object Segmentation [76.68301884987348]
  自己教師型ビデオオブジェクトセグメンテーション(VOS)のための簡易かつ効果的なアプローチを提案する。 我々の重要な洞察は、DINO-pretrained Transformerに存在する構造的依存関係を利用して、ビデオ内の堅牢な時間分割対応を確立することである。 提案手法は,複数の教師なしVOSベンチマークにまたがる最先端性能を実証し,複雑な実世界のマルチオブジェクトビデオセグメンテーションタスクに優れることを示す。
  論文  参考訳（メタデータ） (2023-11-29T18:47:17Z)
• A Spatiotemporal Correspondence Approach to Unsupervised LiDAR Segmentation with Traffic Applications [16.260518238832887]
  鍵となる考え方は、動的ポイントクラウドシーケンスの性質を活用し、非常に強力なシナリオを導入することである。 我々は、グループへのセマンティクスの最適化と、ポイントワイトテンポラルラベルを用いたクラスタリングを交互に行う。 本手法は,教師なし学習方式で識別的特徴を学習することができる。
  論文  参考訳（メタデータ） (2023-08-23T21:32:46Z)
• Unsupervised Spatio-temporal Latent Feature Clustering for Multiple-object Tracking and Segmentation [0.5591659577198183]
  本稿では,時間的識別タスクを異種時間的クラスタリング問題として扱う戦略を提案する。 我々は、畳み込みと完全に接続されたオートエンコーダを用いて、セグメンテーションマスクと検出バウンディングボックスから識別特徴を学習する。 以上の結果から,本手法はいくつかの最先端手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-14T16:47:56Z)

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。