論文の概要: SAM2Dual: Training-Free, Dual Memory for Long-Term Video Object Segmentation

• arxiv url: http://arxiv.org/abs/2608.18640v1
• Date: Wed, 19 Aug 2026 07:40:39 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-20 20:13:55.322814
• Title: SAM2Dual: Training-Free, Dual Memory for Long-Term Video Object Segmentation
• Title（参考訳）: SAM2Dual: 長期ビデオオブジェクトセグメンテーションのためのトレーニング不要、デュアルメモリ
• Abstract要約: モデル重みを更新することなく長ビデオのロバスト性を改善する訓練不要でプラグアンドプレイの推論時間拡張であるSAM2Dualを提案する。 SAM2Dualは、(i)局所的適応のために(i)短期記憶を明示的に分離し、(ii)グローバルアイデンティティーキューを保存するためにインターバルベースサンプリングによって構築された長期記憶を明示的に分離するデュアルメモリ設計を導入している。 さらに,テキスト・アウェア・メモリ (TAM) を提案する。これは初期フレームからコンパクトな単語レベルのキューを抽出し,テキスト埋め込みを用いてセマンティック・コントリビューションに基づいたメモリコントリビューションの軽量化を行う。
• 参考スコア（独自算出の注目度）: 2.3605238326156806
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Long-term video object segmentation (VOS) remains challenging due to error accumulation under extended occlusions, re-appearance, and scene changes. Although SAM2 provides strong zero-shot performance, its streaming memory can amplify drift over long horizons when recent, unreliable predictions dominate the memory state. We propose SAM2Dual, a training-free, plug-and-play inference-time enhancement that improves long-video robustness without updating model weights. SAM2Dual introduces a Dual Memory design that explicitly separates (i) short-term memory for rapid local adaptation and (ii) long-term memory built via interval-based sampling to preserve global identity cues, combined through a gated fusion strategy. In addition, we present Text-Aware Memory (TAM), which extracts a compact word-level cue from early frames and uses text embeddings to reweight memory contributions based on semantic compatibility, supporting identity preservation when visual evidence becomes weak or ambiguous. Across long-term benchmarks, SAM2Dual consistently improves stability on long videos, raising J&F from 49.33 to 50.65 on MOSEv2 and achieving consistent gains on LVOSv2.
• Abstract（参考訳）: 長期ビデオオブジェクトセグメンテーション(VOS)は、拡張オクルージョン、再出現、シーン変更によるエラーの蓄積により、依然として困難である。 SAM2は強力なゼロショット性能を提供するが、最近の信頼性の低い予測がメモリ状態を支配すると、ストリーミングメモリは長い水平線上のドリフトを増幅することができる。 モデル重みを更新することなく長ビデオのロバスト性を改善する訓練不要でプラグアンドプレイの推論時間拡張であるSAM2Dualを提案する。 SAM2DualがDual Memoryデザインを導入 一 局所的急激な適応のための短期記憶 (II)大域的アイデンティティの手がかりを保存するために間隔に基づくサンプリングによって構築された長期記憶は、ゲート融合戦略によって結合される。 さらに、初期のフレームからコンパクトな単語レベルのキューを抽出し、テキスト埋め込みを用いてセマンティックな互換性に基づいたメモリコントリビューションを再重み付けし、視覚的エビデンスが弱くなったりあいまいになったときのアイデンティティ保存を支援するテキスト認識メモリ(TAM)を提案する。 長期的なベンチマークでは、SAM2Dualは長いビデオの安定性を継続的に改善し、MOSEv2ではJ&Fを49.33から50.65に引き上げ、LVOSv2では一貫した利得を達成した。

関連論文リスト

• Semantic-Aware Adaptive Visual Memory for Streaming Video Understanding [55.7992006853979]
  SAVEMemは、セマンティックな認識をメモリ生成にもたらすフレームワークで、クエリ毎に検索スコープを適応させる。 SAVEMemは、メモリ生成にセマンティックな認識をもたらし、クエリ毎に検索範囲を適応させる、トレーニングフリーのデュアルステージフレームワークである。
  論文  参考訳（メタデータ） (2026-05-08T15:40:40Z)
• Robust Ego-Exo Correspondence with Long-Term Memory [34.992180181705]
  我々は,エゴセントリックな視点とエゴセントリックな視点のオブジェクトレベル対応を確立するための新しい枠組みを提案する。 提案手法は,Mixture-of-Experts (MoE) にインスパイアされた,デュアルメモリアーキテクチャと適応型機能ルーティングモジュールを備える。 挑戦的なEgoExo4Dベンチマークの実験では、LM-EECと呼ばれる手法により、新しい最先端の結果が得られた。
  論文  参考訳（メタデータ） (2025-10-13T13:54:12Z)
• SAM2RL: Towards Reinforcement Learning Memory Control in Segment Anything Model 2 [2.659882635924329]
  Segment Anything Model 2 (SAM2) は、オブジェクトセグメンテーションタスクにおいて強力なパフォーマンスを示している。 最近の方法では、イントラクタやオブジェクトの動きをよりよく扱うために手作りの更新ルールでSAM 2を拡張している。 SAM 2におけるメモリ更新を最適化するための強化学習を用いた基本的なアプローチを提案する。
  論文  参考訳（メタデータ） (2025-07-11T12:53:19Z)
• EdgeTAM: On-Device Track Anything Model [65.10032957471824]
  Segment Anything Model (SAM) 2はさらに、イメージからビデオへの入力をメモリバンク機構を通じて拡張する。 私たちはSAM 2をより効率的にし、同等のパフォーマンスを維持しながらモバイルデバイス上でも動作できるようにすることを目標としています。 計算コストを削減するために,新しい2次元空間知覚器を利用するEdgeTAMを提案する。
  論文  参考訳（メタデータ） (2025-01-13T12:11:07Z)
• Look Every Frame All at Once: Video-Ma$^2$mba for Efficient Long-form Video Understanding with Multi-Axis Gradient Checkpointing [52.050036778325094]
  Video-Ma$2$mbaは、Mamba-2フレームワークにステートスペースモデル(SSM)を組み込んだ新しいアーキテクチャである。 本手法は,標準勾配チェックポイントに比べてメモリフットプリントを大幅に削減する。 時間的ダイナミクスの詳細なキャプチャーを維持することで、長いビデオ理解タスクにおける応答の精度と関連性を改善することができる。
  論文  参考訳（メタデータ） (2024-11-29T04:12:13Z)
• A Distractor-Aware Memory for Visual Object Tracking with SAM2 [11.864619292028278]
  メモリベースのトラッカー(英: Memory-based tracker)は、最近追跡されたフレームをメモリバッファに連結し、現在の画像をバッファされたフレームに到達させることでターゲットをローカライズすることにより、ターゲットモデルを形成するビデオオブジェクトセグメンテーション手法である。 SAM2.1++はSAM2.1と関連するSAMメモリ拡張を7つのベンチマークで上回り、6つのベンチマークで新しい最先端を設定できる。
  論文  参考訳（メタデータ） (2024-11-26T16:41:09Z)
• Stable Hadamard Memory: Revitalizing Memory-Augmented Agents for Reinforcement Learning [64.93848182403116]
  現在のディープラーニングメモリモデルは、部分的に観察可能で長期にわたる強化学習環境で苦労している。 本稿では,強化学習エージェントのための新しい記憶モデルであるStable Hadamard Memoryを紹介する。 我々の手法は、部分的に観測可能なベンチマークに挑戦する上で、最先端のメモリベースの手法よりも大幅に優れています。
  論文  参考訳（メタデータ） (2024-10-14T03:50:17Z)
• Efficient Video Object Segmentation via Modulated Cross-Attention Memory [123.12273176475863]
  頻繁なメモリ拡張を必要とせず、時間的滑らかさをモデル化するトランスフォーマーベースの手法MAVOSを提案する。 我々のMAVOSは、単一のV100 GPU上で37フレーム/秒(FPS)で動作しながら、J&Fスコア63.3%を達成する。
  論文  参考訳（メタデータ） (2024-03-26T17:59:58Z)
• Recurrent Dynamic Embedding for Video Object Segmentation [54.52527157232795]
  一定サイズのメモリバンクを構築するためにRDE(Recurrent Dynamic Embedding)を提案する。 本稿では, SAM を長時間の動画でより堅牢にするため, トレーニング段階での無バイアス誘導損失を提案する。 また、メモリバンクの異なる品質のマスクの埋め込みをネットワークが修復できるように、新たな自己補正戦略を設計する。
  論文  参考訳（メタデータ） (2022-05-08T02:24:43Z)

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。