論文の概要: VOS-Agent: The 1st Place Solution for the 8th LSVOS Challenge (MOSEv2 Track)

• arxiv url: http://arxiv.org/abs/2608.12721v1
• Date: Thu, 13 Aug 2026 02:08:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-14 18:29:38.366371
• Title: VOS-Agent: The 1st Place Solution for the 8th LSVOS Challenge (MOSEv2 Track)
• Title（参考訳）: VOS-Agent:第8回LSVOSチャレンジ(MOSEv2トラック)の第1位
• Abstract要約: VOS-Agentは、ターゲット特性に応じて特殊エージェントを条件付きで活性化する。 Target Perception and Routing Agentは、各シーケンスを正規、小さな、またはセマンティックに支配されたルートに割り当てる。 MOSEv2テストセットでは、VOS-Agentは公式の$mathcalJ&dotmathcalF$で69.82%を達成する。
• 参考スコア（独自算出の注目度）: 15.751702557806595
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Complex video object segmentation requires robust target propagation under severe occlusion, disappearance and reappearance. Although SAM3 provides strong promptable mask propagation, a uniform inference path remains unreliable for tiny targets with insufficient visual evidence and semantic-dominated targets whose identities depend on explicit attributes. To this end, we present VOS-Agent, a collaborative framework that retains SAM3 as the shared dense segmentation module and conditionally activates specialized agents according to target characteristics. A Target Perception and Routing Agent assigns each sequence to a regular, tiny, or semantic-dominated route. Tiny targets are supported by a Visual Tracking Agent through confidence-aware box prompts, while semantic-dominated targets are handled by an MLLM-based Semantic Agent through description-guided localization and candidate verification. On the MOSEv2 test set, VOS-Agent achieves 69.82% on the official $\mathcal{J}\&\dot{\mathcal{F}}$ metric and ranks first in the MOSEv2 Track of the 8th LSVOS Challenge at ECCV 2026.
• Abstract（参考訳）: 複雑なビデオオブジェクトのセグメンテーションは、厳密な閉塞、消失、再出現の下で頑健なターゲットの伝搬を必要とする。 SAM3は強力なプロンプト可能なマスクの伝搬を提供するが、視覚的証拠が不十分な小さなターゲットや、明示的な属性に依存するセマンティックに支配されたターゲットに対しては、均一な推論経路が信頼できないままである。 この目的のために, SAM3 を共有高密度セグメンテーションモジュールとして保持し, ターゲット特性に応じて特定のエージェントを条件付きで活性化する協調フレームワーク VOS-Agent を提案する。 Target Perception and Routing Agentは、各シーケンスを正規、小さな、またはセマンティックに支配されたルートに割り当てる。 ティニーターゲットは、信頼を意識したボックスプロンプトを通じてビジュアルトラッキングエージェントによってサポートされ、セマンティックターゲットは、記述誘導のローカライゼーションと候補検証によってMLLMベースのセマンティックエージェントによって処理される。 MOSEv2テストセットでは、VOS-Agentは公式の$\mathcal{J}\&\dot{\mathcal{F}}$で69.82%を獲得し、ECCV 2026で第8回SVOSチャレンジのMOSEv2トラックにランクインした。

関連論文リスト

• Competitive Memory Readout for Robust Video Object Segmentation: 2nd Place Technical Report for the MOSEv2 Track of the 8th LSVOS Challenge [51.15679610275694]
  我々は,第8回大規模ビデオオブジェクト(LSVOS)チャレンジをECCV 2026で開催する。 この課題は、複雑な時間的ダイナミクスの下で、ロバストなビデオオブジェクトセグメンテーションを評価する。 本手法はSAM3上に構築され,メモリの読み出しに重点を置いている。
  論文  参考訳（メタデータ） (2026-08-22T18:09:51Z)
• AgentSnare: Learning to Delay, Divert, and Defuse Autonomous Penetration Agents [29.81912218748482]
  大型言語モデル(LLM)エージェントは、観察-動作ループを介して浸透試験を自動化する。 現在の防御は、攻撃前に環境に植えられた静的で孤立したアーティファクトに大きく依存している。 AgentSnareはデコイ環境を動的に展開し、侵入エージェントを実際のターゲットから遠ざけていく。
  論文  参考訳（メタデータ） (2026-07-29T14:56:31Z)
• AgentAbstain: Do LLM Agents Know When Not to Act? [19.223843408018997]
  既存の評価は、エージェントがいつ禁じるべきかを知るのではなく、タスクの成功に焦点を当てている。 エージェント禁忌のための最初の体系的評価枠組みとして,ツールを用いたLDMエージェントの動作を検知するキャリブレーション能力について述べる。 AgentAbstainは、エージェントネイティブな分類に基づくペアタスクのベンチマークである。
  論文  参考訳（メタデータ） (2026-07-11T00:57:36Z)
• Re-Prompting SAM 3 via Object Retrieval: 3rd of the 5th PVUW MOSE Track [51.15679610275694]
  目標の消失と再出現下でのロバスト性を改善するための自動再飛散フレームワークを開発した。 我々のソリューションはテストセットで51.17%のJ&Fを達成し、MOSEv2トラックで3位となった。
  論文  参考訳（メタデータ） (2026-03-24T23:45:15Z)
• Beyond Input Guardrails: Reconstructing Cross-Agent Semantic Flows for Execution-Aware Attack Detection [32.301679396929536]
  静的な入力フィルタリングから実行対応分析へ、防御パラダイムをシフトするフレームワークであるSysNameを提案する。 SysNameは断片化された操作プリミティブを連続した行動軌跡に合成し、システムアクティビティの全体像を可能にする。 実証的な評価により、SysNameは10以上の異なる複合攻撃ベクトルを効果的に検出し、それぞれノードレベルとパスレベルのエンドツーエンド攻撃検出に対して85.3%と66.7%のF1スコアを達成した。
  論文  参考訳（メタデータ） (2026-03-04T01:59:16Z)
• BackdoorAgent: A Unified Framework for Backdoor Attacks on LLM-based Agents [58.83028403414688]
  大規模言語モデル(LLM)エージェントは、計画、メモリ、ツールの使用を組み合わせた多段階ワークフローを通じてタスクを実行する。 エージェントワークフローの特定のステージに注入されたバックドアトリガーは、複数の中間状態を通して持続し、下流出力に悪影響を及ぼす可能性がある。 LLMエージェントにおけるバックドア脅威を統一したエージェント中心のビューを提供するモジュールおよびステージアウェアフレームワークである textbfBackdoorAgent を提案する。
  論文  参考訳（メタデータ） (2026-01-08T03:49:39Z)
• AgentVigil: Generic Black-Box Red-teaming for Indirect Prompt Injection against LLM Agents [54.29555239363013]
  本稿では,間接的なインジェクション脆弱性を自動的に検出し,悪用するための汎用的なブラックボックスファジリングフレームワークであるAgentVigilを提案する。 我々はAgentVigilをAgentDojoとVWA-advの2つの公開ベンチマークで評価し、o3-miniとGPT-4oに基づくエージェントに対して71%と70%の成功率を達成した。 攻撃を現実世界の環境に適用し、悪質なサイトを含む任意のURLに誘導するエージェントをうまく誘導する。
  論文  参考訳（メタデータ） (2025-05-09T07:40:17Z)
• Improving Zero-Shot ObjectNav with Generative Communication [60.84730028539513]
  ゼロショットObjectNavの改良手法を提案する。 私たちのアプローチは、接地エージェントが制限され、時には障害のあるビューを持つ可能性があることを考慮に入れています。
  論文  参考訳（メタデータ） (2024-08-03T22:55:26Z)
• Dissecting Adversarial Robustness of Multimodal LM Agents [70.2077308846307]
  我々は、VisualWebArena上に現実的な脅威モデルを用いて、200の敵タスクと評価スクリプトを手動で作成する。 我々は,クロボックスフロンティアLMを用いた最新のエージェントを,リフレクションやツリーサーチを行うエージェントを含む,壊すことに成功している。 AREを使用して、新しいコンポーネントの追加に伴うロバスト性の変化を厳格に評価しています。
  論文  参考訳（メタデータ） (2024-06-18T17:32:48Z)
• Traffic Agent Trajectory Prediction Using Social Convolution and Attention Mechanism [57.68557165836806]
  本稿では,自律走行車周辺における標的エージェントの軌道予測モデルを提案する。 対象エージェントの履歴トラジェクトリをアテンションマスクとしてエンコードし、ターゲットエージェントとその周辺エージェント間の対話関係をエンコードするソーシャルマップを構築する。 提案手法の有効性を検証するため,提案手法を公開データセット上の複数の手法と比較し,20%の誤差低減を実現した。
  論文  参考訳（メタデータ） (2020-07-06T03:48:08Z)

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。