論文の概要: Training-Free Entity-Level Few-Shot Segmentation of Remote Sensing Images with Advection Refinement

• arxiv url: http://arxiv.org/abs/2607.29278v1
• Date: Fri, 31 Jul 2026 10:49:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-03 14:29:40.695948
• Title: Training-Free Entity-Level Few-Shot Segmentation of Remote Sensing Images with Advection Refinement
• Title（参考訳）: アドベクションリファインメントを用いたリモートセンシング画像の学習不要なエンティティレベルFew-Shotセグメンテーション
• Abstract要約: クロスドメインな小ショットセグメンテーションアプローチは、ソースドメインのエピソードトレーニングとピクセル単位の密度予測によって、高いトレーニングコストを被る。 対流微細化を伴うリモートセンシング画像のためのトレーニング不要なエンティティレベルスショットセグメンテーションフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing cross-domain few-shot segmentation approaches suffer from high training costs due to source-domain episodic training and pixel-wise dense prediction, while often producing fragmented and noisy predictions. To overcome these issues, we propose a training-free entity-level few-shot segmentation framework for remote sensing images with advection refinement. Specifically, we first leverage SAM3's generic geometric priors to generate category-agnostic entity primitives. By reformulating few-shot inference from pixel-level prediction to entity-level reasoning, foreground and background prototypes are constructed and combined with dense textual semantic responses from SAM3 to build a multi-modal semantic potential field. Furthermore, an advection equation-based semantic refinement mechanism is introduced to propagate category-aware information across both feature and similarity spaces, enhancing semantic continuity and suppressing local texture noise. Extensive experiments on multiple remote sensing datasets demonstrate that the proposed framework effectively mitigates domain shift and local noise, substantially improving SAM3's adaptation capability for remote sensing few-shot segmentation without additional training. Our code will be publicly available at https://github.com/yu-ni1989/ELFSS-AR.
• Abstract（参考訳）: 既存のクロスドメインの少数ショットセグメンテーションアプローチは、ソースドメインのエピソディクストレーニングとピクセルワイドな予測によって、高いトレーニングコストを被り、断片的でノイズの多い予測がしばしば発生する。 これらの課題を克服するために,遠距離センシング画像のためのトレーニング不要なエンティティレベルの複数ショットセグメンテーションフレームワークを提案する。 具体的には、SAM3のジェネリックな幾何学的先行性を利用して、カテゴリに依存しないエンティティプリミティブを生成する。 画素レベルの予測からエンティティレベルの推論への少数ショット推論を再構成することにより、前景と背景のプロトタイプを構築し、SAM3からの高密度なテキスト意味応答と組み合わせて、マルチモーダルなセマンティックポテンシャル場を構築する。 さらに、特徴空間と類似空間の両方にわたってカテゴリ認識情報を伝達し、セマンティック連続性を高め、局所的なテクスチャノイズを抑制するために、対流方程式に基づくセマンティックリファインメント機構を導入する。 複数のリモートセンシングデータセットに対する大規模な実験により、提案するフレームワークはドメインシフトと局所ノイズを効果的に軽減し、追加のトレーニングを伴わずにリモートセンシングのためのSAM3の適応能力を大幅に改善することを示した。 私たちのコードはhttps://github.com/yu-ni1989/ELFSS-ARで公開されます。

関連論文リスト

• DisDop: Distillation with Domain Priors for Open-Vocabulary Aerial Object Detection [75.11656789221072]
  リモートセンシング基礎モデルからマルチレベルドメインを抽出する統合フレームワークであるDisDopを提案する。 DisDopは、オープンボキャブラリ空中検出ベンチマーク上で、最先端のパフォーマンスを新たに実現している。
  論文  参考訳（メタデータ） (2026-05-23T16:01:20Z)
• ConInfer: Context-Aware Inference for Training-Free Open-Vocabulary Remote Sensing Segmentation [12.428190609914594]
  リモートセンシング画像におけるカテゴリに依存しない意味理解を実現するための,訓練不要なオープン語彙リモートセンシングセグメンテーション (OVRSS) が,有望なパラダイムとして登場した。 我々は,複数の空間単位をまたいだ共同予測を行う,OVRSSのコンテキスト認識推論フレームワークであるConInferを提案する。 本手法は,複雑なリモートセンシング環境におけるセグメンテーションの整合性,堅牢性,一般化を著しく向上させる。
  論文  参考訳（メタデータ） (2026-03-31T05:12:02Z)
• Bidirectional Cross-Perception for Open-Vocabulary Semantic Segmentation in Remote Sensing Imagery [1.0742675209112622]
  訓練不要なオープン語彙セマンティックセマンティックセグメンテーション(OVSS)手法は一般的にCLIPと視覚基礎モデル(VFM)を融合させる SDCIと呼ばれるトレーニングフリーなOVSSのための空間正規化対応二分岐協調推論フレームワークを提案する。 複数のリモートセンシングセマンティックセマンティック・セマンティクス・ベンチマーク実験により,本手法が既存手法よりも優れた性能を実現することを示す。
  論文  参考訳（メタデータ） (2026-01-29T01:46:03Z)
• Improving Multimodal Distillation for 3D Semantic Segmentation under Domain Shift [62.50795372173394]
  我々は,ライダーポイント雲のセマンティックセグメンテーションのための教師なし領域適応において,視覚基盤モデル(VFM)を利用したレシピの同定を行う。 その結果、パイプラインは4つの広く認識され、困難な設定で、最先端の結果を達成する。
  論文  参考訳（メタデータ） (2025-11-21T17:57:43Z)
• Exploring Efficient Open-Vocabulary Segmentation in the Remote Sensing [55.291219073365546]
  Open-Vocabulary Remote Sensing Image (OVRSIS)は、OVS(Open-Vocabulary)をリモートセンシング(RS)ドメインに適応させる新しいタスクである。 textbfRSKT-Segは、リモートセンシングに適した新しいオープン語彙セグメンテーションフレームワークである。 RSKT-Segは高いOVSベースラインを+3.8 mIoUと+5.9 mACCで上回り、効率的なアグリゲーションによって2倍高速な推論を実現している。
  論文  参考訳（メタデータ） (2025-09-15T15:24:49Z)
• AerOSeg: Harnessing SAM for Open-Vocabulary Segmentation in Remote Sensing Images [21.294581646546124]
  AerOSegは、リモートセンシングデータのための新しいOpen-Vocabulary (OVS)アプローチである。 入力画像の回転バージョンとドメイン固有のプロンプトを用いて、ロバストな画像-テキスト相関特性を計算する。 多様な領域におけるSegment Anything Model(SAM)の成功に触発されて、SAMの特徴を活用し、相関特徴の空間的洗練を導出する。 我々は, マルチスケールのアテンション・アウェア・コンポジションを用いて, 最終的なセグメンテーション・マップを作成することにより, 改良された相関性を向上する。
  論文  参考訳（メタデータ） (2025-04-12T13:06:46Z)
• Center-guided Classifier for Semantic Segmentation of Remote Sensing Images [2.803715177543843]
  CenterSegはリモートセンシング画像のセマンティックセグメンテーションのための新しい分類器である。 複数のプロトタイプ、グラスマン多様体の直接監督、解釈可能性戦略の問題を解決する。 優れたパフォーマンスに加えて、CenterSegにはシンプルさ、軽量さ、互換性、解釈可能性という利点がある。
  論文  参考訳（メタデータ） (2025-03-21T09:21:37Z)
• Meta-Exploiting Frequency Prior for Cross-Domain Few-Shot Learning [86.99944014645322]
  クロスドメインなFew-Shot学習のための新しいフレームワーク,Meta-Exploiting Frequency Priorを導入する。 各クエリ画像を高周波および低周波成分に分解し,特徴埋め込みネットワークに並列に組み込む。 本フレームワークは、複数のドメイン間数ショット学習ベンチマークにおいて、最先端の新たな結果を確立する。
  論文  参考訳（メタデータ） (2024-11-03T04:02:35Z)
• Progressively Dual Prior Guided Few-shot Semantic Segmentation [57.37506990980975]
  Few-shotのセマンティックセマンティックセマンティクスタスクは、いくつかのアノテーション付きサポートサンプルを使用して、クエリイメージのセマンティクスを実行することを目的としている。 本稿では,先進的に2重にガイドされた数発のセマンティックセマンティックセグメンテーションネットワークを提案する。
  論文  参考訳（メタデータ） (2022-11-20T16:19:47Z)
• AF$_2$: Adaptive Focus Framework for Aerial Imagery Segmentation [86.44683367028914]
  航空画像のセグメンテーションにはいくつかの独特な課題があり、中でも最も重要なものは前景と背景のアンバランスにある。 本稿では,階層的なセグメンテーション手法を採用し,マルチスケール表現を適応的に活用するAdaptive Focus Framework (AF$)を提案する。 AF$は、広く使われている3つの航空ベンチマークの精度を大幅に改善した。
  論文  参考訳（メタデータ） (2022-02-18T10:14:45Z)
• Learning to Aggregate Multi-Scale Context for Instance Segmentation in Remote Sensing Images [28.560068780733342]
  特徴抽出のプロセスを改善するために,新しいコンテキスト集約ネットワーク(CATNet)を提案する。 提案モデルは,高密度特徴ピラミッドネットワーク(DenseFPN),空間コンテキストピラミッド(SCP),階層的関心抽出器(HRoIE)の3つの軽量プラグアンドプレイモジュールを利用する。
  論文  参考訳（メタデータ） (2021-11-22T08:55:25Z)
• AFAN: Augmented Feature Alignment Network for Cross-Domain Object Detection [90.18752912204778]
  オブジェクト検出のための教師なしドメイン適応は、多くの現実世界のアプリケーションにおいて難しい問題である。 本稿では、中間領域画像生成とドメイン・アドバイザリー・トレーニングを統合した新しい機能アライメント・ネットワーク(AFAN)を提案する。 提案手法は、類似および異種ドメイン適応の双方において、標準ベンチマークにおける最先端の手法よりも大幅に優れている。
  論文  参考訳（メタデータ） (2021-06-10T05:01:20Z)

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。