論文の概要: Few-Shot Open-Vocabulary Remote Sensing Segmentation via Textual Inversion

• arxiv url: http://arxiv.org/abs/2607.25563v1
• Date: Tue, 28 Jul 2026 10:50:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-29 20:50:42.8
• Title: Few-Shot Open-Vocabulary Remote Sensing Segmentation via Textual Inversion
• Title（参考訳）: テクスチュアル・インバージョンによる少数ショットオープンボキャブラリリモートセンシングセグメンテーション
• Abstract要約: オープン語彙のセグメンテーションは、クラスごとのトレーニングをせずにテキストクエリから任意のカテゴリをラベル付けするが、他の場所で確実に扱うカテゴリでは性能が劣る。 これらのモデルはオーバーヘッド画像に特化していないため、クエリとして機能するクラス名は、しばしば視覚言語埋め込み空間への弱いアドレスである。 より優れた名前がギャップの一部を修復することを示し、残りの失敗は、試験された自然言語の言い換えが提供しないアドレスを要求する。
• 参考スコア（独自算出の注目度）: 0.6360345798411123
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Open-vocabulary segmentation labels arbitrary categories from a text query without per-class training, yet on remote sensing imagery it underperforms on categories it handles reliably elsewhere. We find that much of this gap traces to the text query rather than to the segmentation model. Because these models are not specialized for overhead imagery, the class name that serves as the query is often a weak address into the vision-language embedding space. We show that a better name repairs part of the gap, while the remaining failures call for an address that the tested natural-language rephrasings do not provide. We recover that address from a few examples through textual inversion on a frozen model, keeping inference text only. On a representative benchmark this raises the mean intersection over union on the affected categories from 3.9 to 39.4, and across eight remote sensing datasets it improves over few-shot methods that instead inject visual prompts at inference.
• Abstract（参考訳）: オープン語彙セグメンテーションは、クラスごとのトレーニングなしでテキストクエリから任意のカテゴリをラベル付けするが、リモートセンシング画像では、他の場所で確実に扱うカテゴリでパフォーマンスが低下する。 このギャップの多くは、セグメンテーションモデルではなく、テキストクエリに起因していることが分かりました。 これらのモデルはオーバーヘッド画像に特化していないため、クエリとして機能するクラス名は、しばしば視覚言語埋め込み空間への弱いアドレスである。 より優れた名前がギャップの一部を修復することを示し、残りの失敗は、試験された自然言語の言い換えが提供しないアドレスを要求する。 凍結したモデル上でのテキスト逆転によって、いくつかの例からそのアドレスを復元し、推論テキストのみを保持する。 代表的なベンチマークでは、影響を受けるカテゴリのユニオン平均が3.9から39.4に上昇し、8つのリモートセンシングデータセットにわたって、推論時に視覚的なプロンプトを注入する数ショットメソッドよりも改善される。

関連論文リスト

• Beyond Referring Expressions: Scenario Comprehension Visual Grounding [18.49037321302958]
  既存のベンチマークは、主に画像領域とリテラル参照表現のアライメントを評価する。 シナリオベースの視覚的グラウンドの補完的かつより困難な設定について検討し、明確な命名ではなく、ターゲットを役割、意図、文脈から推論する必要がある。 この設定のために設計されたベンチマークであるReferring Scenario(RSC)を紹介する。RCCには、約31kのトレーニング例、4kのドメイン内テスト例と、見えないオブジェクトカテゴリで分割された3kのアウト・オブ・ディストリビューションが含まれている。
  論文  参考訳（メタデータ） (2026-04-02T17:59:08Z)
• Category-level Text-to-Image Retrieval Improved: Bridging the Domain Gap with Diffusion Models and Vision Encoders [41.08205377881149]
  本研究は,セマンティックカテゴリを指定または記述したクエリのテキスト・ツー・イメージ検索について検討する。 生成拡散モデルを用いて,テキストクエリを視覚的なクエリに変換する。 そして、視覚モデルと画像間の類似性を推定する。
  論文  参考訳（メタデータ） (2025-08-29T18:24:38Z)
• ConText: Driving In-context Learning for Text Removal and Segmentation [59.6299939669307]
  本稿では,視覚的インコンテキスト学習パラダイムを光学的文字認識タスクに適用する最初の研究について述べる。 画像除去・分離方式のタスクチェイン・コンポジトリを提案する。 また、連鎖したプロンプトパターンを潜在クエリ表現に統合するコンテキスト認識アグリゲーションも導入する。
  論文  参考訳（メタデータ） (2025-06-04T10:06:32Z)
• From Open-Vocabulary to Vocabulary-Free Semantic Segmentation [78.62232202171919]
  オープン語彙セマンティックセグメンテーションにより、モデルはトレーニングデータ以外の新しいオブジェクトカテゴリを識別できる。 現在のアプローチは依然として入力として手動で指定されたクラス名に依存しており、現実世界のアプリケーションに固有のボトルネックを生み出している。 この研究は、定義済みのクラス語彙を必要としない、語彙自由セマンティックパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-02-17T15:17:08Z)
• LESS: Label-Efficient and Single-Stage Referring 3D Segmentation [55.06002976797879]
  参照3Dは、クエリの文で記述された3Dポイントクラウドから、指定されたオブジェクトのすべてのポイントをセグメントする視覚言語タスクである。 本稿では,LESSと呼ばれるレファレンス3次元パイプラインを提案する。 ScanReferデータセット上での最先端のパフォーマンスは、バイナリラベルのみを使用して、以前の3.7% mIoUの手法を上回ります。
  論文  参考訳（メタデータ） (2024-10-17T07:47:41Z)
• SegVG: Transferring Object Bounding Box to Segmentation for Visual Grounding [56.079013202051094]
  ボックスレベルのアノテーションを信号として転送する新しい手法であるSegVGを提案する。 このアプローチでは,ボックスレベルのレグレッションとピクセルレベルのセグメンテーションの両方の信号としてアノテーションを反復的に利用することができる。
  論文  参考訳（メタデータ） (2024-07-03T15:30:45Z)
• Learnable Prompt for Few-Shot Semantic Segmentation in Remote Sensing Domain [0.0]
  Few-shotセグメンテーション(Few-shot segmentation)は、いくつかのアノテーション付きの例だけを与えられた画像内でオブジェクトや新しいクラスの領域を分割するタスクである。 私たちはベースモデルとしてSegGPTを使用し、ベースクラスでそれをトレーニングします。 通常リモートセンシング領域に存在する様々なオブジェクトサイズを扱うために、パッチベースの予測を行う。
  論文  参考訳（メタデータ） (2024-04-16T06:33:08Z)
• Leveraging Open-Vocabulary Diffusion to Camouflaged Instance Segmentation [59.78520153338878]
  テキスト・ツー・イメージ拡散技術は、テキスト記述から高品質な画像を生成する素晴らしい能力を示している。 そこで本研究では,オープン語彙を応用した最先端拡散モデルを用いて,多スケールのテキスト・視覚的特徴を学習する手法を提案する。
  論文  参考訳（メタデータ） (2023-12-29T07:59:07Z)
• AttrSeg: Open-Vocabulary Semantic Segmentation via Attribute Decomposition-Aggregation [33.25304533086283]
  オープンボキャブラリセマンティックセグメンテーションは、推論時に新しいオブジェクトカテゴリをセグメンテーションする必要がある難しいタスクである。 最近の研究では、この課題に対処するために視覚言語による事前訓練が検討されているが、現実的なシナリオでは非現実的な仮定に悩まされている。 本研究は,新しい概念を理解する上で,人間の認知に触発された新しい属性分解集約フレームワークであるAttrSegを提案する。
  論文  参考訳（メタデータ） (2023-08-31T19:34:09Z)
• Shatter and Gather: Learning Referring Image Segmentation with Text Supervision [52.46081425504072]
  入力画像中の意味的エンティティを検出し,テキストクエリに関連するエンティティを組み合わせて参照者のマスクを予測するモデルを提案する。 提案手法は,イメージセグメンテーションを参照するための4つの公開ベンチマークで評価され,既存のタスクと最近の全てのベンチマークにおけるオープン語彙セグメンテーションモデルよりも明らかに優れていた。
  論文  参考訳（メタデータ） (2023-08-29T15:39:15Z)

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。