論文の概要: SAM-MT: Real-Time Interactive Multi-Target Video Segmentation

• arxiv url: http://arxiv.org/abs/2607.08688v1
• Date: Thu, 09 Jul 2026 16:49:57 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-10 14:45:27.602242
• Title: SAM-MT: Real-Time Interactive Multi-Target Video Segmentation
• Title（参考訳）: SAM-MT:リアルタイム対話型マルチターゲットビデオセグメンテーション
• Abstract要約: Segment Anything 2 (SAM2) はリアルタイムマルチターゲットビデオセグメンテーションのためのインタラクティブフレームワークである。 SAM-MTは、グローバルコンテキストの共有表現と並行して、異なる個々のターゲットを表現するために明示的なクエリを使用する。 レイテンシをターゲット数から切り離すことに成功し、単一ターゲットのベースラインと同等のリアルタイムスピードを実現した。
• 参考スコア（独自算出の注目度）: 46.0193087664104
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Modern Video Object Segmentation (VOS) involves tracking and segmenting user-specified targets. While recent approaches have achieved remarkable performance in single-target scenarios, extending them to multi-target settings typically involves replicating the single-target processing for each individual object, resulting in reduced frame rates (FPS) with unbounded latency as target count increases. Built upon Segment Anything 2 (SAM2), we propose SAM-MT, which addresses this by transforming the model into an interactive framework for real-time Multi-Target video segmentation. SAM-MT uses explicit queries to represent different individual targets, in parallel with a shared representation for global context. It employs decoupled masked attention to keep individual identities distinct from cross-target interference, and sparse memory for stable temporal evolution, along with specialized strategies for occlusion handling and overlap prevention. SAM-MT successfully decouples latency from the number of targets, achieving real-time speed on par with single-target baselines (>36 FPS for 10 targets) while maintaining SAM2's robust video segmentation performance.
• Abstract（参考訳）: モダンビデオオブジェクトセグメンテーション(VOS)は、ユーザが特定したターゲットを追跡し、セグメンテーションする。 最近のアプローチでは、単一ターゲットのシナリオで顕著なパフォーマンスが達成されているが、マルチターゲットの設定に拡張するには、通常、個々のオブジェクトに対して単一ターゲットの処理を複製する必要があるため、ターゲット数の増加に伴ってフレームレート(FPS)が低下する。 Segment Anything 2 (SAM2) に基づいて構築されたSAM-MTは,モデルをリアルタイムマルチターゲットビデオセグメンテーションのためのインタラクティブなフレームワークに変換することで,この問題に対処する。 SAM-MTは、グローバルコンテキストの共有表現と並行して、異なる個々のターゲットを表現するために明示的なクエリを使用する。 クロスターゲット干渉と区別される個別のアイデンティティを維持するために分離されたマスク付き注意を、安定した時間的進化のためのスパース記憶と、閉塞処理と重複防止のための特別な戦略を採用する。 SAM-MTは、SAM2の堅牢なビデオセグメンテーション性能を維持しながら、単一ターゲットベースライン(10ターゲットで>36 FPS)と同等のリアルタイム速度を実現した。

関連論文リスト

• SAM3-DMS: Decoupled Memory Selection for Multi-target Video Segmentation of SAM3 [46.0193087664104]
  Segment Anything 3 (SAM3)は、ビデオ内の特定のターゲットを堅牢に検出、セグメント、追跡する強力な基盤を確立している。 本研究では,個々のオブジェクトのメモリ選択を微粒化することで,学習不要な分離戦略であるSAM3-DMSを提案する。
  論文  参考訳（メタデータ） (2026-01-14T18:52:14Z)
• Evaluating SAM2 for Video Semantic Segmentation [60.157605818225186]
  Anything Model 2 (SAM2)は、画像とビデオの両方において、迅速な視覚オブジェクトのセグメンテーションのための強力な基盤モデルであることが証明されている。 本稿では, SAM2 から高密度ビデオセマンティック (VSS) への拡張について検討する。 我々の実験は、SAM2を利用することでVSSの全体的な性能が向上することを示唆している。
  論文  参考訳（メタデータ） (2025-12-01T15:15:16Z)
• VideoSAM: Open-World Video Segmentation [33.09103541421983]
  動的環境におけるオブジェクト追跡とセグメンテーションの整合性を改善するために設計された,エンドツーエンドのフレームワークであるVideoSAMを紹介する。 VideoSAMは集約されたバックボーンRADIOを統合し、類似度メトリクスを通じてオブジェクトの関連付けを可能にする。 提案手法は, UVO と BURST のベンチマーク, および RoboTAP のロボットビデオで広範に評価され, 実世界のシナリオにおけるその有効性とロバスト性を示す。
  論文  参考訳（メタデータ） (2024-10-11T12:56:32Z)
• Training-Free Robust Interactive Video Object Segmentation [82.05906654403684]
  対話型ビデオオブジェクトセグメンテーション(I-PT)のためのトレーニングフリープロンプトトラッキングフレームワークを提案する。 スパースポイントとボックストラッキングを共同で採用し、不安定なポイントをフィルタリングし、オブジェクトワイズ情報をキャプチャします。 我々のフレームワークは、人気のあるVOSデータセット上で、ゼロショットビデオセグメンテーションの堅牢な結果を示してきた。
  論文  参考訳（メタデータ） (2024-06-08T14:25:57Z)
• FocSAM: Delving Deeply into Focused Objects in Segmenting Anything [58.042354516491024]
  Segment Anything Model (SAM)はセグメンテーションモデルにおいて注目すべきマイルストーンである。 2つの重要な側面に基づいてパイプラインを再設計したFocSAMを提案する。 まず,Dwin-MSA(Dynamic Window Multi-head Self-Attention)を提案する。 次に,Pixel-wise Dynamic ReLU (P-DyReLU)を提案する。
  論文  参考訳（メタデータ） (2024-05-29T02:34:13Z)
• RMP-SAM: Towards Real-Time Multi-Purpose Segment Anything [117.02741621686677]
  この研究はリアルタイム多目的セグメンテーションと呼ばれる新しいリアルタイムセグメンテーション設定を探索する。 インタラクティブセグメンテーション、パノスコープセグメンテーション、ビデオインスタンスセグメンテーションの3つの基本的なサブタスクを含んでいる。 動的畳み込みに基づく新しい動的畳み込み手法であるReal-Time Multi-Purpose SAM(RMP-SAM)を提案する。 効率的なエンコーダと、プロンプト駆動のデコードを実行するための効率的なデカップリングアダプタを含む。
  論文  参考訳（メタデータ） (2024-01-18T18:59:30Z)
• Segment Anything Meets Point Tracking [116.44931239508578]
  本稿では,SAMと長期点追跡を併用した,ポイント中心の対話型ビデオセグメンテーションの新たな手法を提案する。 ゼロショットオープンワールドUnidentified Video Objects(UVO)ベンチマークで直接評価することで,ポイントベーストラッキングのメリットを強調した。 DAVIS, YouTube-VOS, BDD100Kなどの人気ビデオオブジェクトのセグメンテーションと多目的セグメンテーションのベンチマーク実験により, ポイントベースセグメンテーショントラッカーがより優れたゼロショット性能と効率的なインタラクションをもたらすことが示唆された。
  論文  参考訳（メタデータ） (2023-07-03T17:58:01Z)

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。