Fugu-MT 論文翻訳(概要): Distractor-Aware Video Object Segmentation

論文の概要: Distractor-Aware Video Object Segmentation

arxiv url: http://arxiv.org/abs/2608.11835v1
Date: Wed, 12 Aug 2026 09:17:20 GMT
ステータス: 翻訳完了
システム内更新日: 2026-08-13 19:07:54.530581
Title: Distractor-Aware Video Object Segmentation
Title（参考訳）: ディトラクタ対応ビデオオブジェクトセグメンテーション
Abstract要約: 差別的なアプローチは、このタスクにおける競争性能を、ある程度の複雑さで証明している。我々は,この状況に対処する一対一のスキームを提案し,気晴らしをそれぞれのクラスに分離する。提案手法は,DAVIS 2017 valデータセットに新たな最先端技術を設定し,DAVIS 2017 test-devベンチマークのベースラインを4.6ポイント改善する。
参考スコア（独自算出の注目度）: 26.384716789327552
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Semi-supervised video object segmentation is a challenging task that aims to segment a target throughout a video sequence given an initial mask at the first frame. Discriminative approaches have demonstrated competitive performance on this task at a sensible complexity. These approaches typically formulate the problem as a one-versus-one classification between the target and the background. However, in reality, a video sequence usually encompasses a target, background, and possibly other distracting objects. Those objects increase the risk of introducing false positives, especially if they share visual similarities with the target. Therefore, it is more effective to separate distractors from the background, and handle them independently. We propose a one-versus-many scheme to address this situation by separating distractors into their own class. This separation allows imposing special attention to challenging regions that are most likely to degrade the performance. We demonstrate the prominence of this formulation by modifying the learning-what-to-learn (LWL) method to be distractor-aware. Our proposed approach sets a new state-of-the-art on the DAVIS 2017 val dataset, and improves over the baseline on the DAVIS 2017 test-dev benchmark by 4.6 percentage points.
Abstract（参考訳）: 半教師付きビデオオブジェクトセグメンテーションは、最初のフレームに初期マスクが与えられたビデオシーケンスを通してターゲットをセグメンテーションすることを目的とした課題である。差別的なアプローチは、このタスクにおける競争性能を、ある程度の複雑さで証明している。これらのアプローチは通常、ターゲットと背景の間の1対1の分類として問題を定式化する。しかし、実際には、ビデオシーケンスは通常、ターゲット、背景、そしておそらく他の散らかったオブジェクトを含む。これらのオブジェクトは、特にターゲットと視覚的類似性を共有する場合、偽陽性を導入するリスクを増大させる。したがって、背景から邪魔者を分離し、それらを独立して扱う方が効果的である。本稿では,この状況に対処する一対一の手法を提案する。この分離により、パフォーマンスを低下させる可能性が最も高い、挑戦的な領域に特別な注意を向けることができる。この定式化の優位性を示すために,LWL (Learning-what-to-learn) 法を変更した。提案手法は,DAVIS 2017 valデータセットに新たな最先端技術を設定し,DAVIS 2017 test-devベンチマークのベースラインを4.6ポイント改善する。

関連論文リスト

Learning Cross-View Object Correspondence via Cycle-Consistent Mask Prediction [47.01100029571904]
本研究では,ビデオにおける視点の異なるオブジェクトレベルの視覚的対応を確立するタスクについて検討し,エゴセントリックからエゴセントリックへ,エゴセントリックからエゴセントリックへという挑戦的なシナリオに着目した。条件付きバイナリセグメンテーションに基づいて,オブジェクトクエリマスクを潜在表現に符号化し,対象ビデオ中の対応するオブジェクトのローカライゼーションを誘導する,シンプルで効果的なフレームワークを提案する。 Ego-Exo4D と HANDAL-X のベンチマーク実験により,最適化目標とTTT 戦略の有効性を実証し,最先端性能を実現した。
論文参考訳（メタデータ） (2026-02-22T00:53:03Z)
VOVTrack: Exploring the Potentiality in Videos for Open-Vocabulary Object Tracking [61.56592503861093]
オープンボキャブラリオブジェクト検出(OVD)とマルチオブジェクトトラッキング(MOT)の複雑さを両立させる。 OVMOT の既存のアプローチは、OVD と MOT の方法論を別個のモジュールとして統合することが多く、主に画像中心のレンズによる問題に焦点を当てている。 VOVTrackは、MOTとビデオ中心トレーニングに関連するオブジェクト状態を統合する新しい手法であり、ビデオオブジェクト追跡の観点からこの問題に対処する。
論文参考訳（メタデータ） (2024-10-11T05:01:49Z)
Leveraging Foundation models for Unsupervised Audio-Visual Segmentation [49.94366155560371]
AVS (Audio-Visual) は、可聴物体をピクセルレベルの視覚シーンで正確に概説することを目的としている。既存のAVS手法では、教師付き学習方式でオーディオマスク対の細かいアノテーションを必要とする。タスク固有のデータアノテーションやモデルトレーニングを必要とせず、教師なしの音声-視覚的セグメンテーションを導入する。
論文参考訳（メタデータ） (2023-09-13T05:05:47Z)
Segment Anything Meets Point Tracking [116.44931239508578]
本稿では,SAMと長期点追跡を併用した,ポイント中心の対話型ビデオセグメンテーションの新たな手法を提案する。ゼロショットオープンワールドUnidentified Video Objects(UVO)ベンチマークで直接評価することで,ポイントベーストラッキングのメリットを強調した。 DAVIS, YouTube-VOS, BDD100Kなどの人気ビデオオブジェクトのセグメンテーションと多目的セグメンテーションのベンチマーク実験により, ポイントベースセグメンテーショントラッカーがより優れたゼロショット性能と効率的なインタラクションをもたらすことが示唆された。
論文参考訳（メタデータ） (2023-07-03T17:58:01Z)
Simplifying Open-Set Video Domain Adaptation with Contrastive Learning [16.72734794723157]
ラベル付きデータセットから非ラベル付きデータセットに予測モデルを適用するために、教師なしのビデオドメイン適応手法が提案されている。我々は、OUVDA(Open-set Video Domain adapt)と呼ばれるより現実的なシナリオに対処し、ターゲットデータセットはソースと共有されていない"未知"セマンティックカテゴリを含む。本稿では,ビデオデータ中の時間情報を自由に利用することで,特徴空間をよりよくクラスタ化できるビデオ指向の時間的コントラスト損失を提案する。
論文参考訳（メタデータ） (2023-01-09T13:16:50Z)
Tackling Background Distraction in Video Object Segmentation [7.187425003801958]
ビデオオブジェクトセグメンテーション(VOS)は、ビデオ内の特定のオブジェクトを密に追跡することを目的としている。このタスクの主な課題の1つは、ターゲットオブジェクトに類似したように見えるバックグラウンド・トラクタの存在である。このような混乱を抑制するための3つの新しい戦略を提案する。我々のモデルは,リアルタイムな性能であっても,現代の最先端手法に匹敵する性能を実現している。
論文参考訳（メタデータ） (2022-07-14T14:25:19Z)
Learning Target Candidate Association to Keep Track of What Not to Track [100.80610986625693]
目標を追尾し続けるために、逸脱物を追跡することを提案します。視覚的トラッキングにおいて, トラクタオブジェクト間の接地トルース対応を欠く問題に対処するために, 部分アノテーションと自己監督を組み合わせたトレーニング戦略を提案する。我々のトラッカーは6つのベンチマークで新しい最先端のベンチマークを設定し、AUCスコアはLaSOTで67.2%、OxUvA長期データセットで+6.1%向上した。
論文参考訳（メタデータ） (2021-03-30T17:58:02Z)
Unsupervised Learning of Video Representations via Dense Trajectory Clustering [86.45054867170795]
本稿では,ビデオにおける行動認識のための表現の教師なし学習の課題に対処する。まず、このクラスの2つのトップパフォーマンス目標(インスタンス認識と局所集約)を適用することを提案する。有望な性能を観察するが、定性的解析により、学習した表現が動きのパターンを捉えないことを示す。
論文参考訳（メタデータ） (2020-06-28T22:23:03Z)
ALBA : Reinforcement Learning for Video Object Segmentation [11.29255792513528]
ゼロショットビデオオブジェクトセグメンテーション(VOS)の課題について考察する。我々はこれを、オブジェクトの提案を活用し、空間と時間の両方でグループ化に関する共同推論を行うことによって、グループ化問題として扱う。提案手法はALBAと呼ばれ,従来の3つのベンチマークよりも優れていた。
論文参考訳（メタデータ） (2020-05-26T20:57:28Z)
Learning What to Learn for Video Object Segmentation [157.4154825304324]
本稿では,多様な数発の学習モジュールを統合した,エンドツーエンドのトレーニング可能なVOSアーキテクチャを提案する。この内部学習器は、ターゲットの強力なパラメトリックモデルを予測するように設計されている。私たちは、大規模なYouTube-VOS 2018データセットに、総合スコア81.5を達成して、新たな最先端を設定しました。
論文参考訳（メタデータ） (2020-03-25T17:58:43Z)

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。