論文の概要: Semantic-Spatial Discriminability Enhancement for Generalized Visual Grounding
- arxiv url: http://arxiv.org/abs/2608.30233v1
- Date: Mon, 31 Aug 2026 04:37:36 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-01 18:31:31.222013
- Title: Semantic-Spatial Discriminability Enhancement for Generalized Visual Grounding
- Title（参考訳）: 一般化視覚接地における意味空間識別性向上
- Abstract要約: 汎用ビジュアルグラウンド(GVG)タスクは、参照表現に基づいて画像内のターゲットをローカライズすることを目的としている。
本稿では,汎用視覚接地のためのセマンティック・空間識別性向上(SSDE)フレームワークを提案する。
SSDEは、細粒度セマンティクスと空間的局所化における識別能力を高めることを目的としている。
- 参考スコア（独自算出の注目度）: 28.39401600080181
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generalized Visual Grounding (GVG) task aims to localize targets in an image based on referring expressions, extends the classical visual grounding paradigm by integrating multi-target and non-target scenarios. Previous methods typically rely on global semantic matching or coarse-grained region interactions for localization, where the discriminative cues are primarily derived from sentence-level semantics or regional context. In complex multi-target scenarios, such approaches tend to confuse visually similar targets, making it difficult to establish stable instance-level decision boundaries. To address these limitations, this paper proposes a novel Semantic-Spatial Discriminability Enhancement (SSDE) framework for generalized visual grounding, which aims to enhance the discriminative ability on fine-grained semantics and spatial localization, improving both cross-modal understanding and instance-level grounding. Specifically, to enhance the semantic discriminability of query representations at the fine-grained level, we propose a Semantic Discriminability Enhancement (SeDE) module, which leverages spatially guided cross-attention to disentangle fine-grained target-relevant visual attributes and integrates them with the textual subject semantics. Furthermore, to strengthen the spatial discriminability of the referred targets, we introduce a Spatial Discriminability Enhancement (SpDE) module, which models an instance center density map to characterize the spatial distribution of targets, and explicitly constructs instance separation structures in the spatial domain by employing them as an auxiliary supervision signal. Extensive experiments show that SSDE achieves superior performance on ten datasets across both classic and generalized visual grounding tasks.
- Abstract（参考訳）: Generalized Visual Grounding (GVG) タスクは、参照表現に基づくイメージ内のターゲットのローカライズを目的としており、マルチターゲットシナリオと非ターゲットシナリオを統合することで、古典的なビジュアルグラウンドのパラダイムを拡張している。
従来の手法では、大域的な意味マッチングや大まかな領域の相互作用に依存しており、識別的手がかりは主に文レベルの意味論や地域的文脈から導かれる。
複雑なマルチターゲットシナリオでは、このようなアプローチは視覚的に類似したターゲットを混乱させる傾向があり、安定したインスタンスレベルの決定境界を確立することは困難である。
これらの制約に対処するため, 汎用的な視覚的接地のためのセマンティック・空間的識別可能性向上(SSDE)フレームワークを提案し, 細粒度セマンティクスと空間的局在化における識別能力を向上し, クロスモーダル理解とインスタンスレベルの接地の両方を改善することを目的とした。
具体的には,細粒度レベルでの問合せ表現のセマンティック識別性を高めるために,空間的に案内された横断的アテンションを利用したセマンティック識別性拡張(SeDE)モジュールを提案する。
さらに、参照対象の空間的識別性を高めるために、ターゲットの空間的分布を特徴付けるインスタンス中心密度マップをモデル化した空間的識別性向上(SpDE)モジュールを導入し、それを補助的な監視信号として利用して空間領域におけるインスタンス分離構造を明示的に構築する。
大規模な実験により、SSDEは古典的および一般化された視覚的グラウンドタスクの10つのデータセットで優れたパフォーマンスを達成することが示された。
関連論文リスト
- GeoThreat: Transferable Targeted Adversarial Attacks on Large Vision-Language Models for Remote Sensing Image Interpretation [25.134254498593137]
大規模視覚言語モデル(LVLM)に対する敵対的攻撃は、モーダルな意味理解において、その堅牢性を評価する効果的な手段となる。
リモートセンシング画像解釈のためのLVLMに対するトランスファー可能な対向攻撃法であるGeoThreatを提案する。
論文 参考訳（メタデータ） (2026-07-23T08:16:56Z) - OmniGF: A Dual-Branch Vision-Language Framework for Unified Gaze Following [59.53720386342017]
拡張性のある多対人視線推論に基礎的な視覚言語モデルを適用する統合視覚言語フレームワークを提案する。
すべての個人をモデル化することにより、OmniGFは正確な空間的視線目標推定、意味的視線予測、複雑な社会的視線推定をシームレスに統合する。
論文 参考訳（メタデータ） (2026-05-26T00:08:06Z) - Geospatial-Reasoning-Driven Vocabulary-Agnostic Remote Sensing Semantic Segmentation [13.743073097114461]
オープンボキャブラリセマンティックセグメンテーションはリモートセンシングにおける有望な研究方向として浮上している。
本研究では,Geospatial Reasoning Chain-of-Thought(GR-CoT)フレームワークを提案する。
論文 参考訳（メタデータ） (2026-02-09T02:09:21Z) - RegionReasoner: Region-Grounded Multi-Round Visual Reasoning [69.75509909581133]
RegionReasonerは視覚的推論のための強化学習フレームワークである。
これは、それぞれの推論トレースに対応する参照境界ボックスを明示的に引用することを要求することによって、根拠付き推論を強制する。
RegionReasonerは、基礎となる忠実さとグローバルなセマンティックアライメントを組み合わせた構造化された報酬で最適化されている。
論文 参考訳（メタデータ） (2026-02-03T16:52:16Z) - HarmoCLIP: Harmonizing Global and Regional Representations in Contrastive Vision-Language Models [63.87966115136411]
HarmoCLIPはContrastive Language-Image Pre-training内のグローバルおよびリージョン表現を調和させるように設計された新しいフレームワークである。
本研究では,地域レベルでの表現能力を高めるために,地域調整管理戦略を導入する。
論文 参考訳（メタデータ） (2025-11-27T16:24:53Z) - Generalized Decoupled Learning for Enhancing Open-Vocabulary Dense Perception [71.26728044621458]
DeCLIPは、CLIPを強化する新しいフレームワークで、自己認識モジュールを分離して、それぞれコンテンツ’と“コンテキスト’の機能を取得する。
2D検出とセグメンテーション、3Dインスタンスのセグメンテーション、ビデオインスタンスのセグメンテーション、6Dオブジェクトのポーズ推定など、幅広いタスクにわたる最先端のパフォーマンスを一貫して達成する。
論文 参考訳（メタデータ） (2025-08-15T06:43:51Z) - Region-based Cluster Discrimination for Visual Representation Learning [30.79223671093668]
Region-Aware Cluster Discrimination (RICE)は、地域レベルの視覚とOCR機能を強化する新しい手法である。
RICEは、セグメンテーション、密集検知、視覚知覚など、タスクにおける従来の手法よりも一貫して優れている。
論文 参考訳（メタデータ） (2025-07-26T17:47:09Z) - SemiDAViL: Semi-supervised Domain Adaptation with Vision-Language Guidance for Semantic Segmentation [9.311853182451289]
セマンティックセグメンテーションのための言語誘導半教師付きドメイン適応(SSDA)設定を提案する。
我々は、視覚言語モデル(VLM)に固有の意味一般化機能を活用して、相乗的枠組みを確立する。
提案手法は, 現代の SoTA (State-of-the-art) 手法に比較して, 大幅な性能向上を示す。
論文 参考訳（メタデータ） (2025-04-08T19:14:34Z) - Deep face recognition with clustering based domain adaptation [57.29464116557734]
そこで本研究では,ターゲットドメインとソースがクラスを共有しない顔認識タスクを対象とした,クラスタリングに基づく新しいドメイン適応手法を提案する。
本手法は,特徴領域をグローバルに整列させ,その一方で,対象クラスタを局所的に識別することで,識別対象特徴を効果的に学習する。
論文 参考訳（メタデータ） (2022-05-27T12:29:11Z) - HSVA: Hierarchical Semantic-Visual Adaptation for Zero-Shot Learning [74.76431541169342]
ゼロショット学習(ZSL)は、目に見えないクラス認識の問題に取り組み、目に見えないクラスから目に見えないクラスに意味的な知識を移す。
本稿では,意味領域と視覚領域を協調させる新しい階層型意味視覚適応(HSVA)フレームワークを提案する。
4つのベンチマークデータセットの実験では、HSVAは従来のZSLと一般的なZSLの両方で優れた性能を示す。
論文 参考訳（メタデータ） (2021-09-30T14:27:50Z)
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。