Fugu-MT 論文翻訳(概要): SAM3-O2D2: Zero-Shot Object Out-of-Distribution Detection by Object Class Prompting of the SAM3-Image Model

論文の概要: SAM3-O2D2: Zero-Shot Object Out-of-Distribution Detection by Object Class Prompting of the SAM3-Image Model

arxiv url: http://arxiv.org/abs/2609.08281v1
Date: Tue, 08 Sep 2026 05:51:04 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-11 20:13:42.090025
Title: SAM3-O2D2: Zero-Shot Object Out-of-Distribution Detection by Object Class Prompting of the SAM3-Image Model
Title（参考訳）: SAM3-O2D2: SAM3画像モデルのオブジェクトクラスプロンプトによるゼロショットオブジェクトアウトオブディストリビューション検出
Abstract要約: そこで本研究では,OOD(out-of-distribution)オブジェクトをゼロショットで検出する手法を提案する。我々は SAM3-image foundation model を効果的に活用する。実験結果から,本手法はゼロショットSOTA法をはるかに上回ることがわかった。
参考スコア（独自算出の注目度）: 17.585869712719738
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Object detectors have shown remarkable performance in various fields, among these medical imaging, surveillance, and autonomous driving. However, they are prone to overconfidence when encountering unseen objects in real-world deployments, causing potential safety issues. To address this, detecting out-of-distribution (OOD) objects is essential for reliable object detection. Modern approaches leverage the broad semantic knowledge of foundation models such as CLIP for post-hoc few- and zero-shot OOD detection. However, these methods typically perform OOD assessment in feature space, which can be sensitive to object detector localization errors and variations in object appearance. Moreover, the current state-of-the-art (SOTA) zero-shot method performs computationally costly diffusion in inference. In this work, for our proposed zero-shot object OOD detection method SAM3-O2D2, we employ the SAM3-image foundation model in an efficient manner. Specifically, we prompt SAM3 only with the object detector's predicted classes and compare the predictions of the object detector and SAM3. An object is in-distribution (ID), if SAM3 also detects an object at the corresponding location. If SAM3 does not detect the prompted object, this indicates a mismatch between the detector's prediction and the image content, suggesting that the object is OOD. Experimental results show that our method significantly surpasses the so-far zero-shot SOTA method. Specifically, we achieve new SOTA AuROC and FPR95 metrics over both ID datasets Pascal-VOC and BDD100K and both OOD datasets MS-COCO and OpenImages.
Abstract（参考訳）: 対象検出器は、医療画像、監視、自律運転など、様々な分野で顕著な性能を示している。しかし、現実世界のデプロイで目に見えないオブジェクトに遭遇すると、過度に自信を欠く傾向にあり、潜在的な安全性上の問題を引き起こす。この問題に対処するためには、信頼性の高いオブジェクト検出には、OOD(out-of-distriion)オブジェクトの検出が不可欠である。現代のアプローチでは、CLIPのような基盤モデルの幅広い意味知識を活用して、ポストホック数秒とゼロショットのOOD検出を実現している。しかし、これらの手法は典型的には特徴空間でOODアセスメントを行い、物体検出器のローカライゼーション誤差や物体の外観の変化に敏感である。さらに、現在の最先端(SOTA)ゼロショット法は、推論において計算コストのかかる拡散を行う。本研究では,提案するゼロショットオブジェクトOOD検出法SAM3-O2D2に対して,SAM3-image 基礎モデルを用いた。具体的には、SAM3を対象検出器の予測クラスのみに誘導し、対象検出器とSAM3の予測と比較する。 SAM3が対応する位置でオブジェクトを検出する場合、オブジェクトはID(In-distribution)である。もしSAM3が引き起こされた物体を検知しなかった場合、これは検出器の予測と画像の内容とのミスマッチを示し、物体がOODであることを示唆する。実験結果から,本手法はゼロショットSOTA法をはるかに上回ることがわかった。具体的には、IDデータセットPascal-VOCとBDD100K、OODデータセットMS-COCOとOpenImageの両方でSOTA AuROCとFPR95のメトリクスを新たに達成する。

関連論文リスト

Out-of-Distribution Object Detection in Street Scenes via Synthetic Outlier Exposure and Transfer Learning [5.225005253865662]
アウト・オブ・ディストリビューション(OOD)オブジェクト検出は重要だが未探索の課題である。 textbfSynOE-OD, textbfSynthetic textbfOutlier-textbfExposure-based textbfObject textbfDetection frameworkを提案する。
論文参考訳（メタデータ） (2026-03-17T05:06:28Z)
ALOOD: Exploiting Language Representations for LiDAR-based Out-of-Distribution Object Detection [7.723612270510436]
視覚言語モデル(VLM)から言語表現を組み込んだ新しいアプローチであるALOOD (Aligned LiDAR representations for Out-Of-Distribution Detection)を提案する。我々はnuScenes OODベンチマークで競合性能を示し、言語表現を用いたLiDARにおけるOODオブジェクト検出の新しいアプローチを確立した。
論文参考訳（メタデータ） (2026-03-09T10:02:45Z)
PointOBB-v3: Expanding Performance Boundaries of Single Point-Supervised Oriented Object Detection [65.84604846389624]
我々は,より強力な単一点制御OODフレームワークであるPointOBB-v3を提案する。追加のプリミティブなしで擬似回転ボックスを生成し、エンドツーエンドのパラダイムをサポートする。本手法は従来の最先端手法と比較して3.56%の精度向上を実現している。
論文参考訳（メタデータ） (2025-01-23T18:18:15Z)
Uncertainty Estimation for 3D Object Detection via Evidential Learning [63.61283174146648]
本稿では,3次元検出器における鳥の視線表示における明らかな学習損失を利用して,3次元物体検出の不確かさを定量化するためのフレームワークを提案する。本研究では,これらの不確実性評価の有効性と重要性を,分布外シーンの特定,局所化の不十分な物体の発見,および(偽陰性)検出の欠如について示す。
論文参考訳（メタデータ） (2024-10-31T13:13:32Z)
HD-OOD3D: Supervised and Unsupervised Out-of-Distribution object detection in LiDAR data [6.372261626436676]
HD-OOD3Dは未知の物体を検出するための新しい2段階法である。未知の物体を学習する際の課題を解決するために,未知の物体に対して擬似ラベルを生成するための教師なしの訓練戦略を検討する。
論文参考訳（メタデータ） (2024-10-31T09:29:55Z)
Revisiting Out-of-Distribution Detection in LiDAR-based 3D Object Detection [12.633311483061647]
アウト・オブ・ディストリビューション(OOD)オブジェクトは誤分類を引き起こし、自動車両の安全性と信頼性に重大なリスクをもたらす。我々は、ポイントクラウドを変更することなく既存のデータセットを使用できる新しい評価プロトコルを提案する。提案手法の有効性は,新たに提案したnuScenes OODベンチマークを用いて検証した。
論文参考訳（メタデータ） (2024-04-24T13:48:38Z)
SeSame: Simple, Easy 3D Object Detection with Point-Wise Semantics [0.7373617024876725]
自律運転では、3Dオブジェクト検出は、経路計画や動き推定を含む下流タスクに対してより正確な情報を提供する。本稿では,既存のLiDARのみに基づく3Dオブジェクト検出における意味情報の強化を目的としたSeSameを提案する。 KITTIオブジェクト検出ベンチマークにおいて,提案手法の有効性を示す実験を行った。
論文参考訳（メタデータ） (2024-03-11T08:17:56Z)
Detecting Out-of-Distribution Objects through Class-Conditioned Inpainting [42.67743584239442]
現実のデプロイメントは、しばしば、out-of-distribution (OOD)オブジェクトと呼ばれる、新しく予期せぬオブジェクトを導入します。現代の物体検出器は一般的に過信であり、その予測をOOD検出に単独で使用することは信用できない。我々は,識別対象検出器と異なる目的関数で訓練された安定拡散のような,既製のテキスト・ツー・イメージ生成モデルを利用する。
論文参考訳（メタデータ） (2024-02-05T18:50:27Z)
SalienDet: A Saliency-based Feature Enhancement Algorithm for Object Detection for Autonomous Driving [160.57870373052577]
未知の物体を検出するために,サリエンデット法(SalienDet)を提案する。我々のSaienDetは、オブジェクトの提案生成のための画像機能を強化するために、サリエンシに基づくアルゴリズムを利用している。オープンワールド検出を実現するためのトレーニングサンプルセットにおいて、未知のオブジェクトをすべてのオブジェクトと区別するためのデータセットレザベリングアプローチを設計する。
論文参考訳（メタデータ） (2023-05-11T16:19:44Z)
SOOD: Towards Semi-Supervised Oriented Object Detection [57.05141794402972]
本稿では, 主流の擬似ラベリングフレームワーク上に構築された, SOOD と呼ばれる, 半教師付きオブジェクト指向物体検出モデルを提案する。提案した2つの損失をトレーニングした場合,SOODはDOTA-v1.5ベンチマークの様々な設定下で,最先端のSSOD法を超越することを示した。
論文参考訳（メタデータ） (2023-04-10T11:10:42Z)
Triggering Failures: Out-Of-Distribution detection by learning from local adversarial attacks in Semantic Segmentation [76.2621758731288]
セグメンテーションにおけるアウト・オブ・ディストリビューション(OOD)オブジェクトの検出に取り組む。私たちの主な貢献は、ObsNetと呼ばれる新しいOOD検出アーキテクチャであり、ローカル・アタック(LAA)に基づく専用トレーニングスキームと関連付けられています。 3つの異なるデータセットの文献の最近の10つの手法と比較して,速度と精度の両面で最高の性能が得られることを示す。
論文参考訳（メタデータ） (2021-08-03T17:09:56Z)
Slender Object Detection: Diagnoses and Improvements [74.40792217534]
本稿では,超高アスペクト比,すなわちtextbfslender オブジェクトの特定タイプの検出について検討する。古典的物体検出法では、細い物体に対してのみ評価される場合、COCO上の18.9%のmAPの劇的な低下が観察される。
論文参考訳（メタデータ） (2020-11-17T09:39:42Z)

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。