論文の概要: CRISP: Calibration-Aware Visual State Space Duality for Remote Sensing Semantic Segmentation

• arxiv url: http://arxiv.org/abs/2608.23746v1
• Date: Mon, 24 Aug 2026 18:35:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-26 14:09:34.527512
• Title: CRISP: Calibration-Aware Visual State Space Duality for Remote Sensing Semantic Segmentation
• Title（参考訳）: CRISP:リモートセンシングセマンティックセマンティックセグメンテーションのためのキャリブレーション対応ビジュアルステートスペースダリティ
• Abstract要約: CRISPはVisual State Space Dualityのキャリブレーションフレームワークである。 局所コントラストと境界応答を線形複雑性を変えることなく復元する。 最先端の手法と競合しながら、平均F1とmIoUで一貫した利得を達成する。
• 参考スコア（独自算出の注目度）: 4.221637809927085
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: State space models, especially Visual State Space Duality (VSSD), have emerged as efficient linear-time alternatives to Transformers for dense visual tasks. However, we observe that VSSD compresses spatial context into a global aggregation that suppresses high-frequency responses, causing excessive boundary smoothing in remote sensing semantic segmentation. To address this, we propose CRISP, a calibration framework with two components. Its core, the Duality Calibration Operator (DCO), restores local contrast and boundary responses through residual injection and frequency calibration within the VSSD backbone, without altering its linear complexity. To retain the recovered detail, an Orthogonal Multi-Prototype (OMP) head assigns multiple orthogonally constrained prototypes per class to model large intra-class variance. Extensive experiments on Potsdam, Vaihingen, and LoveDA show that, with approximately 30M parameters, CRISP achieves consistent gains in mean F1 (mF) and mIoU while remaining competitive with state-of-the-art methods. Code is available at https://github.com/crazylifeha/CRISP.
• Abstract（参考訳）: 状態空間モデル、特にVisual State Space Duality (VSSD)は、高密度な視覚タスクのためのトランスフォーマーの効率的な線形時間代替として登場した。 しかし、VSSDは空間コンテキストを大域集約に圧縮し、高周波応答を抑制し、リモートセンシングセマンティックセマンティックセグメンテーションにおいて過度な境界の平滑化を引き起こす。 そこで本研究では,2つのコンポーネントを持つキャリブレーションフレームワークCRISPを提案する。 そのコアであるDuality Calibration Operator (DCO)は、リニア複雑度を変化させることなく、残差注入とVSSDバックボーン内の周波数キャリブレーションを通じて局所コントラストと境界応答を復元する。 復元された詳細を維持するため、Orthogonal Multi-Prototype (OMP) ヘッドはクラスごとに複数の直交制約付きプロトタイプを割り当て、クラス内の大きな分散をモデル化する。 Potsdam、Vayhingen、LoveDAの大規模な実験により、CRISPは平均F1(mF)とmIoUの約30万のパラメータで、最先端の手法と競合しながら、一貫した利得を達成している。 コードはhttps://github.com/crazylifeha/CRISPで入手できる。

関連論文リスト

• Channel-Wise and Token-Aware Post-Training Quantization for Visual State Space Duality [0.2578242050187029]
  視覚状態空間双対(VSSD)の低ビット後量子化挙動について検討する。 本稿では,対応する線形出力に対するトークンバランスの復元損失を最小限に抑えて,入力チャネル毎のクリッピング境界を学習する,トークンバランス付き出力対応クリッピング(CTOAC)手法を提案する。 VSSD-Tiny、VSSD-Small、VSSD-Baseの他、提案手法はImageNet-1Kの精度を保ち、評価ベースラインよりもかなり堅牢である。
  論文  参考訳（メタデータ） (2026-09-15T05:21:09Z)
• Weaving Light and Time: Unified Harmonic-Geometric Representation Learning for Dense RGB-Event Parsing [55.13802890769086]
  我々は、専用のRGB-Event解析用に特別に設計された最初の統一バックボーンであるEvitaを紹介する。 深いモーダルなシナジーを達成するため、Evitaはすべてのエンコーダ層に直接固有のコラーニングモジュール群を組み込む。 Evitaは、リアルタイムマルチモーダル認識において、より優れた精度とレイテンシのトレードオフを提供しながら、新しい最先端メトリクスを確立する。
  論文  参考訳（メタデータ） (2026-07-10T06:52:09Z)
• MG-RWKV: Multi-Grained Context-Aware RWKV for Temporal Forgery Localization [43.92649543343891]
  MG-RWKV(MG-RWKV)は、O(T)複雑性を持つ全列処理のための多言語フレームワークである。 フレームワークは,2次的オーバーヘッドを伴わない双方向の時間的コンテキストをキャプチャする双方向RWKVアーキテクチャ,2 明示的時間的受容場を動的にルーティングする多角性混合(MG-MoE),3 決定解釈性を大幅に向上させるために,偽時間に基づいて粒度を適応的に選択する,3 階層的スケールワイドペアリングと空間境界認識重み付けにより隣接する特徴ピラミッドレベルを整列するCGC(Cross-Granularity Consistency) の3つの中心的イノベーションを特徴としている。
  論文  参考訳（メタデータ） (2026-07-01T13:04:35Z)
• MambaADv2: Evolving Duality-enhanced State Space Model for Unsupervised Anomaly Detection [108.36437360254605]
  本稿では,マルチクラス非教師付き異常検出に適したフレームワークであるMambaADv2を提案する。 MambaADv2は、事前訓練されたエンコーダと、複数のスケールにわたるDuality-enhanced State Space (DSS)モジュールを備えたMambaインスパイアされたデコーダで構成される。 HSS(Hybrid State Space)ブロックの構造は、SSDベースのMambaラインに従って調整され、Mamba3スタイルの位置認識状態空間モデリングが組み込まれている。
  論文  参考訳（メタデータ） (2026-06-22T10:14:06Z)
• MVGGT: Multimodal Visual Geometry Grounded Transformer for Multiview 3D Referring Expression Segmentation [59.75554954111619]
  マルチビュー3D参照表現(MV-3DRES)を導入し、モデルがシーン構造を復元し、参照対象をスパースなマルチビュー画像から直接セグメント化する必要がある。 本稿では,言語情報をスパースビュー幾何学的推論に組み込む,効率的なエンドツーエンドフレームワークであるMultimodal Visual Geometry Grounded Transformer (MVGGT)を提案する。 実験により、MVGGTは最初の強力なベースラインを確立し、高精度かつ高速な推論を達成し、既存の選択肢よりも優れていることが示された。
  論文  参考訳（メタデータ） (2026-01-11T11:44:07Z)
• Saccadic Vision for Fine-Grained Visual Classification [10.681604440788854]
  きめ細かい視覚分類(FGVC)は、微妙で局所的な特徴によって視覚的に類似したカテゴリーを区別する必要がある。 既存のパートベースの手法は、ピクセルからサンプル空間へのマッピングを学習する複雑なローカライゼーションネットワークに依存している。 本稿では,まず周辺特徴を抽出し,サンプルマップを生成する2段階プロセスを提案する。 我々は、周辺と焦点の表現を融合する前に、各固定パッチの影響を定量的に評価するために、文脈選択的注意を用いる。
  論文  参考訳（メタデータ） (2025-09-19T07:03:37Z)
• Bidirectional Feature-aligned Motion Transformation for Efficient Dynamic Point Cloud Compression [97.66080040613726]
  特徴空間における動きを暗黙的にモデル化する双方向特徴整合運動変換(Bi-FMT)フレームワークを提案する。 Bi-FMTは、時間的に一貫した潜在表現を生成するために、過去と将来の両方のフレームで機能を調整する。 圧縮効率とランタイムの両方において, Bi-FMT が D-DPCC と AdaDPCC を上回っていることを示す。
  論文  参考訳（メタデータ） (2025-09-18T03:51:06Z)
• H3R: Hybrid Multi-view Correspondence for Generalizable 3D Reconstruction [39.22287224290769]
  H3Rは、潜在融合と注目に基づく機能集約を統合するハイブリッドフレームワークである。 両パラダイムを統合することで,既存手法よりも2$times$高速に収束しながら,一般化が促進される。 本手法は,ロバストなクロスデータセットの一般化を実証しながら,可変数および高分解能な入力ビューをサポートする。
  論文  参考訳（メタデータ） (2025-08-05T05:56:30Z)
• Spectral Enhanced Rectangle Transformer for Hyperspectral Image Denoising [64.11157141177208]
  ハイパースペクトル画像の空間的およびスペクトル的相関をモデル化するスペクトル拡張矩形変換器を提案する。 前者に対しては、長方形自己アテンションを水平および垂直に利用し、空間領域における非局所的類似性を捉える。 後者のために,空間スペクトル立方体の大域的低ランク特性を抽出し,雑音を抑制するスペクトル拡張モジュールを設計する。
  論文  参考訳（メタデータ） (2023-04-03T09:42:13Z)
• Coarse-to-Fine Sparse Transformer for Hyperspectral Image Reconstruction [138.04956118993934]
  本稿では, サース・トゥ・ファインス・スパース・トランス (CST) を用いた新しいトランス方式を提案する。 HSI再構成のための深層学習にHSI空間を埋め込んだCST 特に,CSTは,提案したスペクトル認識スクリーニング機構(SASM)を粗いパッチ選択に使用し,選択したパッチを,細かなピクセルクラスタリングと自己相似性キャプチャのために,カスタマイズしたスペクトル集約ハッシュ型マルチヘッド自己アテンション(SAH-MSA)に入力する。
  論文  参考訳（メタデータ） (2022-03-09T16:17:47Z)

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。