論文の概要: ENEAS: Embedding-guided Neural Ensemble for Adaptive Segmentation

• arxiv url: http://arxiv.org/abs/2609.03756v1
• Date: Thu, 03 Sep 2026 12:25:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-04 18:28:39.054646
• Title: ENEAS: Embedding-guided Neural Ensemble for Adaptive Segmentation
• Title（参考訳）: ENEAS: 適応セグメンテーションのための埋め込み誘導型ニューラルアンサンブル
• Abstract要約: 本研究では,インスタンス追跡と意味発見のためのテキストプロンプタブルなENEASを提案する。 我々は、以前は点間相互作用に限られていた幾何学的に堅牢なSeCアーキテクチャをテキストプロンプトアダプタで拡張する。 検証層は、条件付きVLM精製と高速な視覚埋め込みマッチングを組み合わせ、曖昧な候補に対してのみ意味推論を誘発する。
• 参考スコア（独自算出の注目度）: 36.94429692322632
• License: http://creativecommons.org/publicdomain/zero/1.0/
• Abstract: We present ENEAS, a unified, text-promptable method for instance tracking and semantic discovery. Text-promptable segmentation models, including the latest foundation models such as SAM 3, still suffer from temporal hallucinations, spatial fragmentation, and semantic misclassification: they fail to report target absence when an object leaves the field of view, segment local textures instead of the complete object during extreme close-ups, and prioritize visual features over ontological reality, so that visually similar artifacts such as statues, paintings, or reflections are segmented as target entities. ENEAS works two ways from a single method: precise tracking and high-quality segmentation of a unique instance, and open-concept discovery of every instance a text query names, resolved by a semantic verification layer. For tracking, we extend the geometrically robust SeC architecture, previously limited to point interactions, with a text-prompting adapter and leverage its temporal memory, so that the target is held through disappearance without drifting to distractors and kept whole even when it fills the entire view. For discovery, the verification layer combines high-speed visual embedding matching with conditional VLM refinement, invoking semantic reasoning only for ambiguous candidates, which filters out the ontological errors that visual-only models cannot distinguish while keeping latency low. Designed with 3D reconstruction in mind, where a single misclassified distractor corrupts the asset, ENEAS unlocks high-quality semantic tracking and segmentation of video, of broad libraries, and of collections of temporally or spatially unordered data, together with the discrimination to tell true instances from their doppelgangers: things that look alike but are not the same. The code and models are available at https://github.com/speridlabs/eneas
• Abstract（参考訳）: 本研究では,インスタンス追跡と意味発見のための統一的テキストプロンプタブル手法であるENEASを提案する。 SAM 3のような最新の基礎モデルを含むテキストプロンプタブルなセグメンテーションモデルは、時間的幻覚、空間的断片化、セマンティックな誤分類に悩まされている: オブジェクトが視野を離れたときにターゲット不在を報告できず、極端なクローズアップの間、完全なオブジェクトの代わりに局所的なテクスチャをセグメント化し、オンロジカルリアリティよりも視覚的特徴を優先するため、像、絵画、リフレクションのような視覚的に類似したアーティファクトがターゲットエンティティとしてセグメント化される。 ENEASは、ユニークなインスタンスの正確なトラッキングと高品質なセグメンテーションの2つの方法と、セマンティック検証層によって解決されたテキストクエリ名のすべてのインスタンスのオープンコンセプションの発見である。 追跡のためには、以前は点間相互作用に限られていた幾何的に堅牢なSeCアーキテクチャをテキストプロンプトアダプタで拡張し、その時間記憶を活用して、照準器へのドリフトを伴わずに目標を消し去るようにし、全体像を埋めても全体を維持する。 発見のために、検証層は条件付きVLMの改良と高速な視覚埋め込みマッチングを組み合わせることで、曖昧な候補に対してのみ意味論的推論を実行し、遅延を低く保ちながら視覚のみのモデルでは区別できない存在論的エラーをフィルタリングする。 ENEASは3D再構成を念頭に置いて設計されており、1つの誤分類器が資産を破壊し、ビデオの高品質なセマンティックトラッキングとセグメンテーション、広範ライブラリ、時間的または空間的に秩序のないデータのコレクションをアンロックする。 コードとモデルはhttps://github.com/speridlabs/eneasで公開されている。

関連論文リスト

• REMIND: RE-Identification with Memory for INDoor Navigation [39.146761527401424]
  モノクロRGB画像からの屋内ジェネリックオブジェクトの長期的多目的再識別のためのオンライントラッカー。 視覚的認知の証拠によって、人間は明示的な自己ローカライゼーションではなく、蓄積した外観の親しみと空間的コンテキストに依存している。 ScanNet++では、すべてのシーンで1つのエンドツーエンド検出を除いて、すべての設定で最高のIDF1を達成している。
  論文  参考訳（メタデータ） (2026-07-10T10:30:50Z)
• Memory-Augmented Vision-Language Agents for Persistent and Semantically Consistent Object Captioning [27.48318501076437]
  VLM(Vision-Language Models)はしばしば、視点を越えて同じオブジェクトの一貫性のない記述をもたらす。 本稿では,データアソシエーション,オブジェクトキャプション,探索ポリシを同時に処理するメモリ拡張型ビジョンランゲージエージェントを提案する。 標準キャプションスコアでは+11.86%、ベースラインモデルでは+7.39%の改善が見られた。
  論文  参考訳（メタデータ） (2026-03-25T12:52:32Z)
• Learning Spatial-Semantic Features for Robust Video Object Segmentation [108.045326229865]
  本稿では,空間意味的特徴と識別的オブジェクトクエリを学習する,ロバストなビデオオブジェクトセグメンテーションフレームワークを提案する。 DAVIS 2017 test (textbf87.8%)、YoutubeVOS 2019 (textbf88.1%)、MOSE val (textbf74.0%)、LVOS test (textbf73.0%)を含むベンチマークデータセットの最先端性能を実現する。
  論文  参考訳（メタデータ） (2024-07-10T15:36:00Z)
• ZoomNeXt: A Unified Collaborative Pyramid Network for Camouflaged Object Detection [70.11264880907652]
  最近のオブジェクト(COD)は、現実のシナリオでは極めて複雑で難しい、視覚的にブレンドされたオブジェクトを周囲に分割しようと試みている。 本研究では,不明瞭な画像を観察したり,ズームインしたりアウトしたりする際の人間の行動を模倣する,効果的な統合協調ピラミッドネットワークを提案する。 我々のフレームワークは、画像とビデオのCODベンチマークにおいて、既存の最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2023-10-31T06:11:23Z)
• Object-Centric Multiple Object Tracking [124.30650395969126]
  本稿では,多目的追跡パイプラインのためのビデオオブジェクト中心モデルを提案する。 オブジェクト中心のスロットを検出出力に適応するインデックスマージモジュールと、オブジェクトメモリモジュールで構成される。 オブジェクト中心学習に特化して、オブジェクトのローカライゼーションと機能バインディングのためのスパース検出ラベルしか必要としない。
  論文  参考訳（メタデータ） (2023-09-01T03:34:12Z)
• Semantics Meets Temporal Correspondence: Self-supervised Object-centric Learning in Videos [63.94040814459116]
  自己教師付き手法は、高レベルの意味論と低レベルの時間対応の学習において顕著な進歩を見せている。 融合した意味特徴と対応地図の上に,意味認識型マスキングスロットアテンションを提案する。 我々は、時間的コヒーレントなオブジェクト中心表現を促進するために、セマンティックおよびインスタンスレベルの時間的一貫性を自己スーパービジョンとして採用する。
  論文  参考訳（メタデータ） (2023-08-19T09:12:13Z)
• SIM: Semantic-aware Instance Mask Generation for Box-Supervised Instance Segmentation [22.930296667684125]
  本稿では,セマンティック・アウェア・インスタンス・マスク(SIM)生成パラダイムを開発することによって,新しいボックス管理型インスタンス・セグメンテーション手法を提案する。 セマンティック・アウェア・プロトタイプは,同じセマンティクスの異なるインスタンスを区別できないことを考慮し,自己補正機構を提案する。 実験結果から,提案手法が他の最先端手法よりも優れていることを示す。
  論文  参考訳（メタデータ） (2023-03-14T05:59:25Z)
• Discovering Objects that Can Move [55.743225595012966]
  手動ラベルなしでオブジェクトを背景から分離する、オブジェクト発見の問題について検討する。 既存のアプローチでは、色、テクスチャ、位置などの外観の手がかりを使用して、ピクセルをオブジェクトのような領域に分類する。 私たちは、動的オブジェクト -- 世界で独立して動くエンティティ -- にフォーカスすることを選びます。
  論文  参考訳（メタデータ） (2022-03-18T21:13:56Z)
• Learning to Track with Object Permanence [61.36492084090744]
  共同物体の検出と追跡のためのエンドツーエンドのトレーニング可能なアプローチを紹介します。 私たちのモデルは、合成データと実データで共同トレーニングされ、KITTIおよびMOT17データセットの最先端を上回ります。
  論文  参考訳（メタデータ） (2021-03-26T04:43:04Z)
• Synthesizing the Unseen for Zero-shot Object Detection [72.38031440014463]
  そこで本研究では,視覚領域における視覚的特徴と視覚的対象の両方を学習するために,視覚的特徴を合成することを提案する。 クラスセマンティックスを用いた新しい生成モデルを用いて特徴を生成するだけでなく,特徴を識別的に分離する。
  論文  参考訳（メタデータ） (2020-10-19T12:36:11Z)

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。