論文の概要: T-STAR: A Large-Scale Benchmark for Spatio-Temporal Panoptic Scene Graph Generation in Satellite Video
- arxiv url: http://arxiv.org/abs/2607.21228v1
- Date: Thu, 23 Jul 2026 11:44:11 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-24 18:26:25.407316
- Title: T-STAR: A Large-Scale Benchmark for Spatio-Temporal Panoptic Scene Graph Generation in Satellite Video
- Title（参考訳）: T-STAR:衛星ビデオにおける時空間パノラマ画像生成のための大規模ベンチマーク
- Abstract要約: 本稿では,新しいベンチマークタスクとして,衛星映像におけるTPSG(Structured-temporal panoptic scene graph)を紹介する。
TPSGは、アイデンティティ一貫性のあるインスタンスマスクと明示的時間的関係を共同でモデル化することで、ダイナミックなシーンを記述する。
本稿では,衛星ビデオにおけるTPSGの大規模ベンチマークデータセットであるT-STARを提案する。
- 参考スコア（独自算出の注目度）: 22.39710367393999
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Structured understanding of satellite video is essential for advancing dynamic geospatial scene analysis from low-level perception to high-level cognition. To move beyond object-centric perception, this paper introduces spatio-temporal panoptic scene graph generation (TPSG) in satellite video as a new benchmark task. TPSG aims to generate a structured graph composed of a set of triplets <subject, relationship, object> with explicit temporal spans, thereby describing dynamic geospatial scenes by jointly modeling identity-consistent instance masks and spatio-temporal relationships among panoptic scene elements. However, there is still no dedicated dataset for TPSG in satellite video. Moreover, TPSG in satellite video is intrinsically challenging, as objects are often small and weakly textured, cross-frame association is easily disrupted by occlusion and background clutter, and relationship semantics are highly coupled with spatial structure and temporal evolution. Consequently, TPSG models developed for natural videos are not directly applicable to satellite video. This paper presents T-STAR, a large-scale benchmark dataset for TPSG in satellite video, comprising over 1.1 million instance masks and over 3.8 million spatio-temporal triplets across 39 fine-grained object categories and 70 fine-grained relationship categories. To enable TPSG in satellite video, we propose a unified framework to enhance cross-frame instance consistency and spatio-temporal relationship prediction. Extensive experiments demonstrate the significance of T-STAR and the effectiveness of the proposed framework, establishing a strong benchmark for future research on structured satellite video understanding. The dataset and code are available at https://github.com/linlin-dev/T-STAR.
- Abstract（参考訳）: 衛星映像の構造的理解は,低レベルの認識から高レベルの認識への動的地理空間的シーン解析の進展に不可欠である。
オブジェクト中心の知覚を超えて、衛星映像における時空間パノプティック・シーングラフ生成(TPSG)を新しいベンチマークタスクとして導入する。
TPSGは,三重項<subject, relationship, object>の集合と明示的な時間的スパンから構成される構造化グラフを生成することを目的としている。
しかし、衛星ビデオにTPSG専用のデータセットはない。
さらに、衛星映像におけるTPSGは、しばしば小さく、テクスチャが弱いため、クロスフレームアソシエーションは、オクルージョンや背景クラッタによって容易に破壊され、関係セマンティクスは空間構造と時間的進化と強く結びついているため、本質的に困難である。
したがって、天然ビデオ用に開発されたTPSGモデルは、衛星ビデオに直接適用できない。
本稿では,衛星映像におけるTPSGの大規模ベンチマークデータセットであるT-STARについて述べる。
衛星映像におけるTPSGを実現するため,クロスフレーム・インスタンスの一貫性と時空間関係の予測を行う統合フレームワークを提案する。
大規模な実験は、T-STARの重要性と提案フレームワークの有効性を実証し、構造化衛星映像理解の今後の研究のための強力なベンチマークを確立した。
データセットとコードはhttps://github.com/linlin-dev/T-STARで公開されている。
関連論文リスト
- Learn Temporal Consistency For Robust Satellite Video Detector [11.657415419403257]
時間一貫性学習(TCL)に基づく衛星映像オブジェクト検出フレームワークを提案する。
TCLは、衛星ビデオ内のリッチな時間的文脈を利用して、指向性および微細な物体を適応的に検出する。
本フレームワークは,ベースラインよりも47.7%mAP,4.8%,最先端指向かつきめ細かな検出精度を実現している。
論文 参考訳（メタデータ） (2026-06-13T05:00:14Z) - Spatial-TTT: Streaming Visual-based Spatial Intelligence with Test-Time Training [61.6942259866261]
我々は、テストタイムトレーニング(TTT)を用いた視覚的空間知能のストリーミングに向けた空間TTTを提案する。
我々はハイブリッドアーキテクチャを設計し、スライディング・ウインドウ・アテンションと平行に大きな時間的更新を適用し、効率的な空間ビデオ処理を行う。
実験により,空間TTTは時間軸空間理解を向上し,映像空間ベンチマークにおける最先端性能を実現することが示された。
論文 参考訳（メタデータ） (2026-03-12T17:58:58Z) - SatDreamer360: Multiview-Consistent Generation of Ground-Level Scenes from Satellite Imagery [18.071734088436077]
衛星画像から幾何的に一貫した地上レベルのパノラマを生成するフレームワークであるSatDreamer360を提案する。
実験により、SatDreamer360は衛星と地上のアライメントとマルチビューの整合性の両方において既存の手法よりも優れていることが示された。
論文 参考訳（メタデータ） (2025-05-31T15:15:54Z) - SGFormer: Satellite-Ground Fusion for 3D Semantic Scene Completion [38.85690940616852]
本稿では,SGFormer という衛星地上協調型 SSC フレームワークについて述べる。
衛星と地上のビューを並列に符号化し、それらを共通領域に統一するデュアルブランチアーキテクチャを提案する。
衛星と地上からのコントリビューションのバランスをとるための適応重み付け戦略を開発する。
論文 参考訳（メタデータ） (2025-03-21T03:37:08Z) - STPro: Spatial and Temporal Progressive Learning for Weakly Supervised Spatio-Temporal Grounding [13.352635332422768]
Weakly Supervised S-Temporal Video Grounding (WSTVG) について検討した。
視覚時間基礎モデルの最近の進歩に触発されて,ゼロショットグラウンド機能を活用したWSTVGの実用性について検討する。
このギャップを埋めるため、2つの重要なモジュールを持つ新しいプログレッシブラーニングフレームワークSTProを提案する。
論文 参考訳（メタデータ） (2025-02-28T03:06:23Z) - Enhancing Video-Language Representations with Structural Spatio-Temporal Alignment [130.15775113897553]
フィンスタは微細な構造的時間的アライメント学習法である。
既存の13の強化されたビデオ言語モデルも一貫して改善されている。
論文 参考訳（メタデータ） (2024-06-27T15:23:36Z) - Constructing Holistic Spatio-Temporal Scene Graph for Video Semantic
Role Labeling [96.64607294592062]
Video Semantic Label Roleing (VidSRL)は、与えられたビデオから健全なイベントを検出することを目的としている。
近年、VidSRLの手法が提案されているが、2つの重要な欠点を負う可能性がある。
論文 参考訳（メタデータ） (2023-08-09T17:20:14Z) - Tracking Objects and Activities with Attention for Temporal Sentence
Grounding [51.416914256782505]
時間文 (TSG) は、意味的に自然言語のクエリと一致した時間セグメントを、トリミングされていないセグメントでローカライズすることを目的としている。
本稿では,(A)マルチモーダル・検索空間を生成するクロスモーダル・ターゲット・ジェネレータと(B)マルチモーダル・ターゲットの動作を追跡し,クエリ関連セグメントを予測するテンポラル・センセント・トラッカーとを含む,新しいテンポラル・センセント・トラッカー・ネットワーク(TSTNet)を提案する。
論文 参考訳（メタデータ） (2023-02-21T16:42:52Z) - Spatial-Temporal Correlation and Topology Learning for Person
Re-Identification in Videos [78.45050529204701]
クロススケール空間時空間相関をモデル化し, 識別的, 堅牢な表現を追求する新しい枠組みを提案する。
CTLはCNNバックボーンとキーポイント推定器を使用して人体から意味的局所的特徴を抽出する。
グローバルな文脈情報と人体の物理的接続の両方を考慮して、多スケールグラフを構築するためのコンテキスト強化トポロジーを探求する。
論文 参考訳（メタデータ） (2021-04-15T14:32:12Z) - Where Does It Exist: Spatio-Temporal Video Grounding for Multi-Form
Sentences [107.0776836117313]
STVGは、トリミングされていないビデオと宣言的/解釈的な文が与えられた場合、クエリされたオブジェクトの時間管をローカライズすることを目的としている。
既存の手法では、非効率なチューブ前世代と新しいオブジェクト関係モデリングの欠如により、STVGタスクに対処できない。
本稿では,この課題に対する宣言型時間グラフ推論ネットワーク(STGRN)を提案する。
論文 参考訳（メタデータ） (2020-01-19T19:53:22Z)
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。