論文の概要: CapMap-MS-TTA: 3rd Place Solution for the MUMU Track of the 8th LSVOS Challenge at ECCV 2026

• arxiv url: http://arxiv.org/abs/2609.18206v1
• Date: Wed, 16 Sep 2026 06:38:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.675479
• Title: CapMap-MS-TTA: 3rd Place Solution for the MUMU Track of the 8th LSVOS Challenge at ECCV 2026
• Title（参考訳）: CapMap-MS-TTA:ECCV 2026第8回LSVOSチャレンジのMUMUトラックの3位
• Abstract要約: CapMap-MS-TTA (CapMap-MS-TTA) はMicrosoft Florence-2ベースで開発されたトレーニング不要のサブミッションである。 本稿では、Microsoft Florence-2-base上に構築されたトレーニング不要のアプリケーションであるCapMap-MS-TTAを紹介する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The MUMU track of the 8th Large-scale Video Object Segmentation (LSVOS) Challenge requires a single unified multimodal model to jointly solve image tagging (Task A), open-vocabulary object detection (Task B), and English captioning (Task C) under strict resource constraints (<=0.5B parameters and <=8 GB peak GPU memory). We present CapMap-MS-TTA, a training-free submission built on Microsoft Florence-2-base (~231M parameters), combining caption keyword mapping with multi-scale flip test-time augmentation. Task C uses the native <DETAILED_CAPTION> pathway with length/token sanitization. Task A maps the same detailed caption into the official quality/scene/event vocabularies via an expanded keyword lexicon with whole-word matching and a lightweight expand-hints stage. Task B runs Florence-2 open detection (<OD>) with multi-scale and horizontal-flip test-time augmentation (TTA), followed by label-aware non-maximum suppression (NMS). Without fine-tuning, the system improves our reproduced Florence-2 baseline from 15.16 to a best public score of 16.4815, and ranks 3rd on the final MUMU leaderboard.
• Abstract（参考訳）: 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)チャレンジのMUMUトラックでは、イメージタグ付け(Task A)、オープン語彙オブジェクト検出(Task B)、英語キャプション(Task C)を厳格な制約下で共同で解くために、単一の統合マルチモーダルモデルが必要である。 本稿では,Microsoft Florence-2-base(約231Mパラメータ)上に構築されたトレーニング不要のCapMap-MS-TTAについて紹介する。 Task C では,<DETAILED_CAPTION> パスを長さ/トークンのサニタイズで使用する。 タスクAは同じ詳細なキャプションを、全単語マッチングと軽量な拡張ヒントステージを備えた拡張キーワード辞書を通じて、公式のクオリティ/シーン/イベントの語彙にマッピングする。 タスクBは、マルチスケールおよび水平フリップテスト時間拡張(TTA)とラベル認識非最大抑制(NMS)でFlorence-2オープン検出(OD>)を実行する。 微調整なしで、再現されたFlorence-2ベースラインを15.16から16.4815に改善し、MUMU最後のリーダーボードで3位にランクインした。

関連論文リスト

• Efficient Unified Multimodal Understanding (EUMU): Winning Solution for the MUMU Track at the 8th LSVOS Challenge [0.0]
  有効統一マルチモーダル理解(EUMU)は、第8回LSVOSチャレンジのMUMUトラックの勝利のソリューションである。 EUMUは、検出とキャプションのプロンプトベースの機能を使用して、共有事前トレーニングされたマルチモーダルモデルを構築している。 EUMUには239.169Mパラメータが含まれ、23.947 GFLOPsが必要であり、4.5GBのピーク推論メモリを使用し、最終挑戦スコアは17.3409である。
  論文  参考訳（メタデータ） (2026-09-16T21:37:05Z)
• VisLens: Single-Pass Interpretable Visual Search for Multimodal LLMs [50.62479086957651]
  我々は,ロジットレンズ上に構築されたビジュアル検索手法であるemphVisLens (Visual Focus via Logit Lens)を提案する。 VisLensは以前のベースラインにマッチまたは超過し、相当なレイテンシのアドバンテージを提供する。
  論文  参考訳（メタデータ） (2026-08-31T12:43:42Z)
• pro-team at LLMs4OL 2026 Tasks Flagship and Reuse: Retrieval-Augmented Generation and Vocabulary-Constrained Filtering for Ontology Learning [5.0147105079462415]
  大規模言語モデル(LLM)の著しい進歩にもかかわらず、テキストからのオントロジー学習は依然として困難である。 LLMs4OL 2026 Challengeでは、End-to-End Flagship Task (Task A)とOntology Reuse Extension Task (Task B)の両方に対処する。 本システムでは、Qwen2.5-14B-InstructとAll-MiniLM-L6-v2を用いてデモ検索を行い、タスクAの上位5例とタスクBの上位2例を選択した。 タスクBの場合、生成されたトリプルは決定論的語彙制約のあるフィルタリングを実行し、少なくとも1つのエンドポイントがサンプルに属する場合にトリプルを保持する。
  論文  参考訳（メタデータ） (2026-08-27T13:16:55Z)
• MSCPT: Few-shot Whole Slide Image Classification with Multi-scale and Context-focused Prompt Tuning [47.66327196203432]
  複数のインスタンス学習は、スライド画像全体の弱教師付き分類の標準パラダイムとなっている。 トレーニングデータの欠如と稀な疾患の存在は、これらの方法に重大な課題をもたらす。 本稿では,Few-shot Weakly Supervised WSI 分類タスクのためのマルチスケールおよびコンテキスト中心の Prompt Tuning (MSCPT) 手法を提案する。
  論文  参考訳（メタデータ） (2024-08-21T10:25:51Z)
• MasonPerplexity at Multimodal Hate Speech Event Detection 2024: Hate Speech and Target Detection Using Transformer Ensembles [6.2696956160552455]
  本稿では,EACL 2024のケース2024におけるマルチモーダル・ヘイト・スピーチ・イベント検出における共有タスクに対するMasonPerplexityの提出について述べる。 サブタスクAにはXLM-roBERTa-largeモデル、サブタスクBにはXLM-roBERTa-base、BERTweet-large、BERT-baseを組み合わせたアンサンブルアプローチを用いる。
  論文  参考訳（メタデータ） (2024-02-03T00:23:36Z)
• DAMO-NLP at SemEval-2023 Task 2: A Unified Retrieval-augmented System for Multilingual Named Entity Recognition [94.90258603217008]
  MultiCoNER RNum2共有タスクは、細粒度でノイズの多いシナリオにおいて、多言語の名前付きエンティティ認識(NER)に取り組むことを目的としている。 MultiCoNER RNum1の以前のトップシステムは、ナレッジベースまたはガゼッタを組み込んでいる。 細粒度多言語NERのための統一検索拡張システム(U-RaNER)を提案する。
  論文  参考訳（メタデータ） (2023-05-05T16:59:26Z)
• PyramidCLIP: Hierarchical Feature Alignment for Vision-language Model Pretraining [68.84339672878066]
  意味レベルが異なる入力ピラミッドを構築し,視覚的要素と言語的要素を階層構造として整列させる。 ゼロショット画像分類、ゼロショット画像テキスト検索、画像オブジェクト検出を含む3つの下流タスクの実験は、提案したピラミドCLIPの有効性を検証する。
  論文  参考訳（メタデータ） (2022-04-29T13:38:42Z)
• Bridging Cross-Lingual Gaps During Leveraging the Multilingual Sequence-to-Sequence Pretraining for Text Generation [80.16548523140025]
  プレトレインとファインチューンの間のギャップを埋めるために、コードスイッチングの復元タスクを追加して、バニラプレトレイン-ファインチューンパイプラインを拡張します。 提案手法は,言語間文表現距離を狭くし,簡単な計算コストで低周波語翻訳を改善する。
  論文  参考訳（メタデータ） (2022-04-16T16:08:38Z)
• Unifying Architectures, Tasks, and Modalities Through a Simple Sequence-to-Sequence Learning Framework [83.82026345508334]
  モーダル性(クロスモダリティ、ビジョン、言語など)とタスク(画像生成、視覚接地、画像キャプション、画像分類、テキスト生成など)を統一する統合マルチモーダル事前訓練モデルOFAを提案する。 OFAは、イメージキャプション(COCO test CIDEr: 149.6)、テキスト・ツー・イメージ生成(COCO test FID: 10.5)、VQA(test-std encoder acc.: 80.02)、SNLI-VE(test acc.: 90)など、一連のマルチモーダルタスクにおける新しい最先端処理を実現している。
  論文  参考訳（メタデータ） (2022-02-07T10:38:21Z)
• Combating Hostility: Covid-19 Fake News and Hostile Post Detection in Social Media [0.0]
  本稿では,AAAI-2021におけるConSTRAINT共有タスクへの参加の一環として開発されたシステムとその成果について詳述する。 SVM, CNN, BiLSTM, CNN+BiLSTM など, tf-idf と Word2Vec を組み込んだ様々な手法を用いて分類処理を行う。
  論文  参考訳（メタデータ） (2021-01-09T05:15:41Z)

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。