論文の概要: Promptable Concept Segmentation from Above: Evaluating SAM 3's Zero-Shot and One-Shot Capabilities in Remote Sensing

• arxiv url: http://arxiv.org/abs/2607.09583v1
• Date: Fri, 10 Jul 2026 16:33:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-13 14:47:12.905854
• Title: Promptable Concept Segmentation from Above: Evaluating SAM 3's Zero-Shot and One-Shot Capabilities in Remote Sensing
• Title（参考訳）: 遠隔センシングにおけるSAM 3のゼロショットとワンショット能力の評価
• Authors: Mohammad Dabaja, Turgay Celik,
• Abstract要約: 本稿では,リモートセンシングシーンの分類,オブジェクト検出,インスタンスのセグメンテーションにまたがる総合的,マルチタスクな経験的評価について述べる。 我々の結果は、SAM 3がレガシーなドメイン適応モデルでよく見られる過度な適合を避けることを実証している。 サブピクセル解像度制限と、オーバーヘッドセマンティックブラインドスポットによって、基本的に制限されている。
• 参考スコア（独自算出の注目度）: 0.42970700836450487
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The deployment of large-scale foundation models, such as the Segment Anything Model 3 (SAM 3), promises a transition toward open-vocabulary, training-free computer vision. However, their capacity to generalize out-of-distribution to the complex, top-down geometric structures of Earth Observation imagery remains largely unquantified. Driven by SAM 3's performance disparities in highly specialized domains, we present a comprehensive, multi-task empirical evaluation across remote sensing scene classification, object detection, and instance segmentation under strict zero-shot and one-shot constraints. To achieve this, we introduce a structural adaptation of SAM 3 by repurposing its decoupled binary presence head into a standalone zero-shot classifier. Furthermore, by systematically isolating textual and visual prompt modalities across five configurations, we explicitly diagnose the alignment mechanics within the model's multimodal decoder. Our findings reveal severe cross-modal interference: while visual prompts successfully align the decoder to complex remote sensing geometry, textual prompts inject misaligned, ground-level semantic bias, actively degrading coordinate regression. To benchmark these capabilities without resource-intensive training, we formulate a novel training-free proxy evaluation protocol for Generalized Zero-Shot tasks (scene classification and instance segmentation). Ultimately, our results demonstrate that SAM 3 avoids the overfitting commonly seen in legacy domain-adapted models, achieving high Harmonic Mean scores in segmentation tasks. However, it remains fundamentally constrained by sub-pixel resolution limits and overhead semantic blind spots, charting a definitive mandate for parameter-efficient geospatial fine-tuning of its multimodal decoder.
• Abstract（参考訳）: Segment Anything Model 3 (SAM3) のような大規模基盤モデルの展開は、オープン語彙、トレーニング不要なコンピュータビジョンへの移行を約束している。 しかし、地球観測画像の複雑なトップダウン幾何学構造への分布外分布を一般化する能力はほとんど定量化されていない。 高度に専門化されたドメインにおけるSAM 3の性能格差により,厳密なゼロショットおよびワンショット制約下でのリモートセンシングシーンの分類,オブジェクト検出,インスタンスセグメンテーションにまたがる総合的,マルチタスクの実験的評価を行う。 そこで本研究では,その分離されたバイナリプレゼンスヘッドをスタンドアローンのゼロショット分類器に再資源化することにより,SAM 3の構造的適応を実現する。 さらに,5つの構成にまたがってテキストと視覚的アクセラリティを体系的に分離することにより,モデルのマルチモーダルデコーダ内のアライメント機構を明示的に診断する。 視覚的プロンプトはデコーダを複雑なリモートセンシング幾何に整列させるが、テキストプロンプトは不整合、基底レベルのセマンティックバイアスを注入し、座標回帰を積極的に劣化させる。 資源集約的なトレーニングなしにこれらの能力をベンチマークするために、一般化ゼロショットタスク(シーン分類とインスタンスセグメント化)のための新しいトレーニング不要なプロキシ評価プロトコルを定式化する。 最終的に、SAM 3は、レガシーなドメイン適応モデルでよく見られる過度な適合を回避し、セグメンテーションタスクにおける高調波平均スコアを達成することを実証した。 しかし,マルチモーダルデコーダのパラメータ効率の良い地理空間微調整のための決定的な委任事項として,サブピクセル解像度限界とオーバーヘッドセマンティックブラインドスポットの制約が根底にある。

関連論文リスト

• SpatialClaw: Rethinking Action Interface for Agentic Spatial Reasoning [99.49739831030388]
  このインタフェースの設計は,オープンエンド空間推論のためのエージェントのキャパシティをいかに形作るかを検討する。 本研究では,アクションインタフェースとしてコードを採用する空間推論のためのトレーニングフリーフレームワークであるSpatialClawを提案する。
  論文  参考訳（メタデータ） (2026-06-11T17:59:36Z)
• Hierarchical Consistency Learning for Test-time Adaptation in Camouflage Perception [50.278200968044665]
  カモフラージュされた物体検出(COD)は、物理的属性を通して背景から最小限の知覚差を示すターゲットをローカライズすることを目的としている。 既存のメソッドは、静的なTrain-then-freezeパラダイムによって制約されており、ドメインの剛性と依存性のアノテーションに悩まされている。 動的表現再構成のためのテスト時間適応を統合した階層的一貫性学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-05-25T09:57:46Z)
• SphereVAD: Training-Free Video Anomaly Detection via Geodesic Inference on the Unit Hypersphere [90.85001795656633]
  ビデオ異常検出(VAD)は、トリミングされていない監視ビデオの通常のパターンから逸脱するイベントを自動的に識別することを目的としている。 SphereVADはトレーニング不要でゼロショットのVADフレームワークで、単位超球面上の準比測地線推定をvon Mises-Fisher (vMF) と再放送する。
  論文  参考訳（メタデータ） (2026-05-08T16:57:38Z)
• SegEarth-OV3: Exploring SAM 3 for Open-Vocabulary Semantic Segmentation in Remote Sensing Images [51.42466259821335]
  我々は, SAM 3 をリモートセンシング OVSS タスクに適用するための予備的な検討を行った。 まず,SAM 3のセマンティックセグメンテーションヘッドとトランスフォーマーデコーダの出力を組み合わせたマスク融合戦略を実装した。 第2に、シーンに存在しないカテゴリをフィルタリングするために、プレゼンスヘッドからのプレゼンススコアを利用する。
  論文  参考訳（メタデータ） (2025-12-09T15:42:28Z)
• Towards 3D Object-Centric Feature Learning for Semantic Scene Completion [18.41627244498394]
  視覚に基づく3Dセマンティックシーンコンプリート(SSC)は、自動運転の可能性から注目を集めている。 シーンを個々のオブジェクトインスタンスに分解するオブジェクト中心の予測フレームワークであるOceanを提案する。 その結果,Oceanは17.40点,mIoUスコアは20.28点であった。
  論文  参考訳（メタデータ） (2025-11-17T06:28:26Z)
• S3PT: Scene Semantics and Structure Guided Clustering to Boost Self-Supervised Pre-Training for Autonomous Driving [12.406655155106424]
  そこで本稿では,S3PTによるシーンセマンティクスと構造案内クラスタリングを提案する。 まず、セマンティックな分布一貫したクラスタリングを取り入れて、オートバイや動物のような稀なクラスをよりよく表現できるようにします。 第2に,広い背景領域から歩行者や交通標識などの小さな物体まで,不均衡で多様な物体の大きさを扱うために,一貫した空間クラスタリングを導入する。 第3に,シーンの幾何学的情報に基づいて学習を規則化するための深度誘導空間クラスタリングを提案する。
  論文  参考訳（メタデータ） (2024-10-30T15:00:06Z)
• View-Consistent Hierarchical 3D Segmentation Using Ultrametric Feature Fields [52.08335264414515]
  我々は3次元シーンを表すニューラル・レージアンス・フィールド(NeRF)内の新しい特徴場を学習する。 本手法は、ビュー一貫性の多粒性2Dセグメンテーションを入力とし、3D一貫性のセグメンテーションの階層構造を出力として生成する。 提案手法と,多視点画像と多粒性セグメンテーションを用いた合成データセットのベースラインの評価を行い,精度と視点整合性を向上したことを示す。
  論文  参考訳（メタデータ） (2024-05-30T04:14:58Z)
• Benchmarking Unsupervised Object Representations for Video Sequences [111.81492107649889]
  ViMON, OP3, TBA, SCALORの4つのオブジェクト中心アプローチの知覚能力を比較した。 この結果から,制約のない潜在表現を持つアーキテクチャは,オブジェクト検出やセグメンテーション,トラッキングといった観点から,より強力な表現を学習できる可能性が示唆された。 我々のベンチマークは、より堅牢なオブジェクト中心のビデオ表現を学習するための実りあるガイダンスを提供するかもしれない。
  論文  参考訳（メタデータ） (2020-06-12T09:37:24Z)

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。