論文の概要: RDVSv2: A Large-scale Benchmark for RGB-D Video Salient Object Detection

• arxiv url: http://arxiv.org/abs/2607.25392v1
• Date: Tue, 28 Jul 2026 07:54:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.750936
• Title: RDVSv2: A Large-scale Benchmark for RGB-D Video Salient Object Detection
• Title（参考訳）: RDVSv2:RGB-Dビデオサルエントオブジェクト検出のための大規模ベンチマーク
• Authors: Tianyu Li, Jiahao He, Keren Fu, Qijun Zhao,
• Abstract要約: RDVSv2は、RGB-Dビデオサルエントオブジェクト検出(RGB-D VSOD)のための大規模なベンチマークであり、フレームレベルのアノテーションが濃密である。 RDVSv2は、公開されているステレオビデオから構築され、249の動画シーケンスと29,077の注釈付きフレームを含んでいる。 立体映像から派生した深度マップと、視線追跡ガイドを付加したフレームワイドのサルエントな物体マスクが含まれる。
• 参考スコア（独自算出の注目度）: 32.118695784500005
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: We introduce RDVSv2, a large-scale benchmark for RGB-D video salient object detection (RGB-D VSOD) with dense frame-level annotations. Existing datasets in this emerging field are often limited in scale and annotation quality, while also relying on less geometry-consistent depth cues. To address these limitations, RDVSv2 is built from publicly accessible stereoscopic online videos and contains 249 video sequences with 29,077 annotated frames. It includes depth maps derived from stereoscopic videos, together with frame-wise salient object masks annotated with eye-tracking guidance. Compared with existing datasets, RDVSv2 is much larger in scale and covers more diverse and challenging scenarios. In addition, we establish a strong baseline for RGB-D VSOD based on Segment Anything Model 2 (SAM2). Specifically, we employ a parameter-efficient fine-tuning (PEFT) strategy to adapt the SAM2 encoder to jointly encode RGB, depth, and optical flow cues. Extensive experiments show that RDVSv2 is substantially more challenging for existing RGB-D VSOD methods. Meanwhile, the proposed baseline achieves state-of-the-art results on RDVSv2 and existing RGB-D VSOD benchmarks. We hope that RDVSv2 and the provided baseline will serve as useful resources for future research on RGB-D VSOD and related multi-modal video understanding tasks. Our dataset and code will be available at https://github.com/ltynick/RDVSv2.
• Abstract（参考訳）: RDVSv2は、RGB-Dビデオサルエントオブジェクト検出(RGB-D VSOD)のための大規模なベンチマークであり、フレームレベルのアノテーションが濃密である。 この出現する分野における既存のデータセットは、しばしばスケールやアノテーションの品質に制限される。 これらの制限に対処するため、RDVSv2は、一般にアクセス可能なステレオスコープのオンラインビデオから構築され、249の動画シーケンスと29,077の注釈付きフレームを含んでいる。 立体映像から派生した深度マップと、視線追跡ガイドを付加したフレームワイドのサルエントな物体マスクが含まれる。 既存のデータセットと比較すると、RDVSv2はスケールがはるかに大きく、より多様で困難なシナリオをカバーしている。 さらに,Segment Anything Model 2 (SAM2) に基づく RGB-D VSOD の強力なベースラインを確立する。 具体的には、パラメータ効率のよい微細チューニング(PEFT)戦略を用いて、SAM2エンコーダを用いて、RGB、深さ、光フローキューを共同で符号化する。 RDVSv2は既存のRGB-D VSOD法よりもかなり難しい。 一方、提案したベースラインはRDVSv2および既存のRGB-D VSODベンチマークの最先端結果を達成する。 RDVSv2と提供されたベースラインが,今後RGB-D VSODと関連するマルチモーダルビデオ理解タスクの研究に役立つことを期待する。 データセットとコードはhttps://github.com/ltynick/RDVSv2.comで公開されます。

関連論文リスト

• Dual-Correlation Hypergraph Network for Unaligned RGBT Video Object Detection and A Large-scale Benchmark [20.310134152773298]
  RGB-Thermal (RGBT) Video Object Detection (VOD) は大きな注目を集めている。 しかし、通常、RGBT画像対の間に空間的不整合が存在する。 本稿では,高次元補完情報をキャプチャするDHNetを提案する。
  論文  参考訳（メタデータ） (2026-07-09T07:46:20Z)
• ViDSOD-100: A New Dataset and a Baseline Model for RGB-D Video Salient Object Detection [51.16181295385818]
  まず、注釈付きRGB-D video SODOD(DSOD-100)データセットを収集し、合計9,362フレーム内に100の動画を含む。 各ビデオのフレームはすべて、高品質なサリエンシアノテーションに手動で注釈付けされる。 本稿では,RGB-Dサリアンオブジェクト検出のための新しいベースラインモデル,attentive triple-fusion network (ATF-Net)を提案する。
  論文  参考訳（メタデータ） (2024-06-18T12:09:43Z)
• Salient Object Detection in RGB-D Videos [11.805682025734551]
  本稿では,データセットとモデルという2つの主要なコントリビューションについて述べる。 現実的な深度を持つ新しいRGB-D VSODデータセットであるRDVSデータセットを構築した。 RGB-D VSODに適した3ストリームネットワークであるDCTNet+を紹介する。
  論文  参考訳（メタデータ） (2023-10-24T03:18:07Z)
• Visual Object Tracking on Multi-modal RGB-D Videos: A Review [16.098468526632473]
  本研究の目的は,RGB-D追跡研究の相対的知識を要約することである。 具体的には、関連するRGB-D追跡ベンチマークデータセットと、対応するパフォーマンス測定を一般化する。
  論文  参考訳（メタデータ） (2022-01-23T08:02:49Z)
• Boosting RGB-D Saliency Detection by Leveraging Unlabeled RGB Images [89.81919625224103]
  RGB-D Salient Object Detection (SOD) のための深層モデルの訓練は、しばしば多数のラベル付きRGB-D画像を必要とする。 本稿では、ラベルのないRGB画像を活用するために、Dual-Semi RGB-D Salient Object Detection Network (DS-Net)を提案する。
  論文  参考訳（メタデータ） (2022-01-01T03:02:27Z)
• Cross-modality Discrepant Interaction Network for RGB-D Salient Object Detection [78.47767202232298]
  本稿では,RGB-D SODのためのクロスモダリティ離散相互作用ネットワーク(CDINet)を提案する。 2つのコンポーネントは、効果的な相互モダリティ相互作用を実装するように設計されている。 我々のネットワークは、定量的にも質的にも15ドルの最先端の手法より優れています。
  論文  参考訳（メタデータ） (2021-08-04T11:24:42Z)
• Data-Level Recombination and Lightweight Fusion Scheme for RGB-D Salient Object Detection [73.31632581915201]
  深部特徴抽出に先立って,RGBとD(深部)を融合する新たなデータレベル組換え手法を提案する。 新たに設計された3重ストリームネットワークをこれらの新しい定式化データ上に適用し,RGBとDのチャネルワイドな相補的融合状態を実現する。
  論文  参考訳（メタデータ） (2020-08-07T10:13:05Z)
• Synergistic saliency and depth prediction for RGB-D saliency detection [76.27406945671379]
  既存のRGB-Dサリエンシデータセットは小さく、多様なシナリオに対して過度に適合し、限定的な一般化につながる可能性がある。 そこで本研究では,RGB-Dサリエンシ検出のための半教師付きシステムを提案する。
  論文  参考訳（メタデータ） (2020-07-03T14:24:41Z)
• Is Depth Really Necessary for Salient Object Detection? [50.10888549190576]
  本稿では,RGB情報のみを推論の入力とする統合深度認識フレームワークの実現に向けた最初の試みを行う。 5つの公開RGB SODベンチマークの最先端のパフォーマンスを上回るだけでなく、5つのベンチマークのRGBDベースのメソッドを大きく上回っている。
  論文  参考訳（メタデータ） (2020-05-30T13:40:03Z)

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。