論文の概要: Report of the 8th LSVOS Challenge: Complex and Multimodal Video Object Segmentation
- arxiv url: http://arxiv.org/abs/2609.06078v1
- Date: Sat, 05 Sep 2026 13:11:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-12 11:40:56.061108
- Title: Report of the 8th LSVOS Challenge: Complex and Multimodal Video Object Segmentation
- Title（参考訳）: 8th LSVOS Challenge: Complex and Multimodal Video Object Segmentation 参加報告
- Abstract要約: 本報告では,ECCV 2026とともに開催された第8回大規模ビデオオブジェクト(LSVOS)チャレンジを要約する。
この課題は、MOSEv2上の複雑な半教師付きビデオオブジェクトセグメンテーション、MeViSv2-Text上のテキスト誘導参照ビデオオブジェクトセグメンテーション、MeViSv2-Audioにおけるオーディオ誘導参照ビデオオブジェクトセグメンテーションの3つの相補的な設定でビデオセグメンテーションを評価する。
- 参考スコア（独自算出の注目度）: 123.08518673784818
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: This report summarizes the 8th Large-scale Video Object Segmentation (LSVOS) Challenge, held in conjunction with ECCV 2026. The challenge evaluates video segmentation in three complementary settings: complex semi-supervised video object segmentation on MOSEv2, text-guided referring video object segmentation on MeViSv2-Text, and audio-guided referring video object segmentation on MeViSv2-Audio. We describe the tasks and evaluation protocols and review the methods of the top three teams in each track. Across the nine leading solutions, foundation segmentation models are combined with target-aware memory, multimodal reasoning, explicit target-existence verification, agentic interaction, and corrective tracking. These systems illustrate a broader transition from single-model mask propagation toward modular pipelines that reason about object identity, query validity, and temporal reliability.
- Abstract（参考訳）: 本報告では,ECCV 2026とともに開催された第8回大規模ビデオオブジェクトセグメンテーション(LSVOS)チャレンジを要約する。
この課題は、MOSEv2上の複雑な半教師付きビデオオブジェクトセグメンテーション、MeViSv2-Text上のテキスト誘導参照ビデオオブジェクトセグメンテーション、MeViSv2-Audioにおけるオーディオ誘導参照ビデオオブジェクトセグメンテーションの3つの相補的な設定でビデオセグメンテーションを評価する。
タスクと評価プロトコルを説明し、各トラックの上位3チームの方法論をレビューする。
9つの主要なソリューションの中で、ファンデーションセグメンテーションモデルには、ターゲット認識メモリ、マルチモーダル推論、明示的なターゲット存在検証、エージェントインタラクション、修正トラッキングが組み合わされている。
これらのシステムは、オブジェクトの同一性、クエリの妥当性、時間的信頼性を理由として、シングルモデルマスクの伝搬からモジュールパイプラインへの広範な移行を示している。
関連論文リスト
- MeViS: A Multi-Modal Dataset for Referring Motion Expression Video Segmentation [126.77662882743168]
テキストと音声の両方に33,072人の注釈付き動作表現を含むデータセットであるMeViSを紹介する。
MeViSがサポートする4つのタスクにまたがる15の既存メソッドをベンチマークする。
本稿では,RVOS/AVOS/RMOTに対するLMPM++のアプローチを提案する。
論文 参考訳（メタデータ） (2025-12-11T18:59:44Z) - 2nd Place Report of MOSEv2 Challenge 2025: Concept Guided Video Object Segmentation via SeC [46.76209037655681]
セミ教師付きビデオオブジェクトは、指定されたターゲットを1フレームのマスクでビデオシーケンスを通してセグメントすることを目的としている。
SeCフレームワークはより永続的なセグメンテーションのためにオブジェクトの深いセマンティック理解を確立した。
SeCはテストセットで39.7 JFnを獲得し、第7回大規模ビデオオブジェクトチャレンジの複合VOSトラックで2位にランクインした。
論文 参考訳（メタデータ） (2025-09-28T12:26:03Z) - Multimodal Referring Segmentation: A Survey [93.24051010753817]
マルチモーダル参照セグメンテーション(Multimodal reference segmentation)は、テキストやオーディオフォーマットでの参照表現に基づいて、画像、ビデオ、および3Dシーンなどのターゲットオブジェクトを視覚シーンに分割することを目的としている。
過去10年間で、畳み込みニューラルネットワーク、トランスフォーマー、および大規模言語モデルの進歩によって、マルチモーダルコミュニティにおいて大きな注目を集めてきた。
論文 参考訳（メタデータ） (2025-08-01T02:14:00Z) - ViLLa: Video Reasoning Segmentation with Large Language Model [48.75470418596875]
ViLLa: 大規模言語モデルを用いたビデオ推論セグメンテーションを提案する。
ViLLaは、複数のコアイノベーションを通じて、これらの課題に対処しています。
長ビデオの効率的な処理を可能にするために、Villaは(3)長ビデオを短いが意味的に密度の高いセグメントに適応的に分割し、冗長性を低下させるキーセグメントサンプリングを組み込んでいる。
論文 参考訳（メタデータ） (2024-07-18T17:59:17Z) - VISA: Reasoning Video Object Segmentation via Large Language Models [64.33167989521357]
我々は新しいタスク、Reasoning Video Object(ReasonVOS)を導入する。
このタスクは、複雑な推論能力を必要とする暗黙のテキストクエリに応答して、セグメンテーションマスクのシーケンスを生成することを目的としている。
本稿では、ReasonVOSに取り組むためにVISA(ビデオベース大規模言語命令付きアシスタント)を導入する。
論文 参考訳（メタデータ） (2024-07-16T02:29:29Z) - Training-Free Robust Interactive Video Object Segmentation [82.05906654403684]
対話型ビデオオブジェクトセグメンテーション(I-PT)のためのトレーニングフリープロンプトトラッキングフレームワークを提案する。
スパースポイントとボックストラッキングを共同で採用し、不安定なポイントをフィルタリングし、オブジェクトワイズ情報をキャプチャします。
我々のフレームワークは、人気のあるVOSデータセット上で、ゼロショットビデオセグメンテーションの堅牢な結果を示してきた。
論文 参考訳（メタデータ） (2024-06-08T14:25:57Z) - The Second Place Solution for The 4th Large-scale Video Object
Segmentation Challenge--Track 3: Referring Video Object Segmentation [18.630453674396534]
ReferFormerは、すべてのビデオフレームで言語表現によって参照される所定のビデオでオブジェクトインスタンスをセグメントすることを目的としている。
本研究は, 循環学習率, 半教師付きアプローチ, テスト時間拡張推論など, さらなる向上策を提案する。
改良されたReferFormerはCVPR2022 Referring Youtube-VOS Challengeで2位にランクインした。
論文 参考訳（メタデータ） (2022-06-24T02:15:06Z)
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。