論文の概要: SatOV: Restoring Spatial Priors for Training-Free Open-Vocabulary Segmentation in Remote Sensing Imagery
- arxiv url: http://arxiv.org/abs/2609.22834v1
- Date: Sat, 19 Sep 2026 07:12:14 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:00.569665
- Title: SatOV: Restoring Spatial Priors for Training-Free Open-Vocabulary Segmentation in Remote Sensing Imagery
- Title（参考訳）: SatOV:リモートセンシング画像における学習不要なオープン語彙セグメンテーションのための空間的優先事項の復元
- Abstract要約: リモートセンシング画像のOVS(Open-vocabulary semantic segmentation)は、ピクセルレベルの課題である。
オープン語彙リモートセンシングセグメンテーションのためのトレーニングフリーフレームワークであるSatOVを提案する。
SatOVはトレーニング不要のOVSを継続的に改善し、最先端の手法に対する競合的な定量的および定性的な結果が得られることを示す。
- 参考スコア（独自算出の注目度）: 1.366186883476895
- License: http://creativecommons.org/licenses/by-nc-sa/4.0/
- Abstract: Open-vocabulary semantic segmentation (OVS) of remote sensing imagery is a challenging pixel-level task requiring strong generalization and adaptation to the spatial characteristics of remote sensing data. Although existing vision-language foundation models perform well in general domains, their image-level classification design weakens the spatial priors needed for high-resolution remote sensing segmentation: structural spatial relations are degraded during deep feature transformation, and fine-grained spatial details are lost during downsampling. To address these complementary deficiencies, we propose SatOV, a training-free framework for open-vocabulary remote sensing segmentation that restores spatial priors at two stages of the representation pipeline. Specifically, Residual QQ Attention (ResQQ) extracts Query-Key self-attention from an intermediate CLIP layer and fuses it with final-layer Query-Query attention via a residual combination, restoring structural spatial priors suppressed by the final-layer representation. Spatially Modulated Upsampling (SatUp) uses the original high-resolution RGB image as spatial guidance, combining spatial feature modulation with guided cross-attention to reconstruct pixel-level textures and boundaries. Extensive experiments on DOTA, UDD, LoveDA, and Vaihingen show that SatOV consistently improves training-free OVS and achieves competitive quantitative and qualitative results against state-of-the-art methods. These results validate the effectiveness of restoring spatial priors at both the representation and spatial-resolution stages for remote sensing open-vocabulary segmentation.
- Abstract（参考訳）: リモートセンシング画像の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(OVS)は,リモートセンシングデータの空間特性に強い一般化と適応を必要とする画素レベルの課題である。
既存の視覚言語基盤モデルは一般的なドメインではよく機能するが、画像レベルの分類設計は、高解像度リモートセンシングセグメンテーションに必要な空間的先行性を弱め、構造的空間関係は、深い特徴変換中に劣化し、微細な空間的詳細は、ダウンサンプリング中に失われる。
これらの相補的欠陥に対処するために,表現パイプラインの2段階の空間先行を復元するオープン語彙リモートセンシングセグメンテーションのためのトレーニングフリーフレームワークであるSatOVを提案する。
具体的には、Residual QQ Attention (ResQQ)は、中間CLIP層からクエリキーの自己注意を抽出し、最後の層表現によって抑制された構造的空間的先行を復元する残余結合を介して、最後の層でクエリクエリの注意を融合する。
空間変調アップサンプリング(SatUp)は、空間的特徴変調とガイド付きクロスアテンションを組み合わせることで、ピクセルレベルのテクスチャとバウンダリを再構築する。
DOTA, UDD, LoveDA, Vaihingenの広範囲にわたる実験により, SatOVはトレーニング不要のOVSを一貫して改善し, 最先端の手法に対する競合的な定量的および定性的な結果が得られることが示された。
これらの結果は,リモートセンシングによるオープン語彙セグメンテーションにおいて,表現と空間分解能の両段階における空間先行の復元の有効性を検証した。
関連論文リスト
- GraLoD: Graphics-Inspired Continuous Level-of-Detail Learning for Image Restoration [54.85451496831771]
再生スケールを空間変化およびステージ依存変数として扱うプラグイン・アンド・プレイフレームワークであるGraLoDを提案する。
GraLoDはネイティブエンコーダ階層を再利用し、そのマルチスケール機能を共有LOD表現空間に整列し、デコーダの各段階でステージ条件付きLODフィールドを予測する。
実験はタスク固有とオールインワンの復元において一貫した改善を示す。
論文 参考訳（メタデータ） (2026-09-15T03:22:22Z) - Exploring the Potential of Contrastive Language-Image Pre-training for Multi-Source Remote Sensing Data [12.302498570831538]
視覚言語モデリングのためのマルチソースセンサ入力をサポートする,エンドツーエンドのコントラスト学習フレームワークを提案する。
スペクトルコンテキスト対応マスクに基づくコントラスト学習方式を導入し、モダリティ固有の冗長な特徴を抑える。
マルチモーダルトレーニングを支援するため,最初の大規模リモートセンシング画像テキストコーパスであるOmniRS5Mを構築した。
論文 参考訳（メタデータ） (2026-09-03T05:45:31Z) - Training-Free Entity-Level Few-Shot Segmentation of Remote Sensing Images with Advection Refinement [0.0]
クロスドメインな小ショットセグメンテーションアプローチは、ソースドメインのエピソードトレーニングとピクセル単位の密度予測によって、高いトレーニングコストを被る。
対流微細化を伴うリモートセンシング画像のためのトレーニング不要なエンティティレベルスショットセグメンテーションフレームワークを提案する。
論文 参考訳（メタデータ） (2026-07-31T10:49:16Z) - ExACT: Exemplar-Driven Calibrated Refinement for Training-Free Visual Grounding in Remote Sensing Images [51.53960096934913]
リモートセンシングビジュアルグラウンドティング(RSVG)は、自由形式の自然言語記述を用いて、高解像度のRS画像中の特定の物体を特定することを目的としている。
マルチモーダル大言語モデル(MLLM)の最近の進歩は、そのようなオープン語彙RSVGに大きな可能性を示している。
Inemplar-driven Calibrated Refinement (ExACT)を提案する。
論文 参考訳（メタデータ） (2026-06-27T13:50:39Z) - Learning Sparse Visual Representations via Spatial-Semantic Factorization [37.169502692169196]
自己教師付き学習(SSL)は、意味理解と画像再構成の根本的な対立に直面している。
本稿では,視覚的特徴を意味概念とその空間分布の低ランクな製品に分解するフレームワークSTELLARを紹介する。
この分解された形の下で16個のスパーストークンが同時に高品質な再構成(2.60 FID)をサポートし、高密度バックボーンのセマンティック性能(79.10% ImageNet精度)に適合することを示す。
論文 参考訳（メタデータ） (2026-02-02T10:12:17Z) - RSGround-R1: Rethinking Remote Sensing Visual Grounding through Spatial Reasoning [61.84363374647606]
リモートセンシングビジュアルグラウンドディング(RSVG)は、自然言語記述に基づく大規模空中画像における対象物体のローカライズを目的としている。
これらの記述はしばしば位置的手がかりに大きく依存しており、空間的推論においてMLLM(Multimodal Large Language Models)に固有の課題を提起している。
空間理解の高度化を図るために,textbfRSGround-R1 と呼ばれる推論誘導型位置認識後学習フレームワークを提案する。
論文 参考訳（メタデータ） (2026-01-29T12:35:57Z) - Annotation-Free Open-Vocabulary Segmentation for Remote-Sensing Images [51.74614065919118]
本稿では,アノテーションのないRS画像のオープン語彙セグメンテーションのための最初のフレームワークであるSegEarth-OVを紹介する。
粗い特徴から高分解能空間の詳細を頑健に復元する普遍的なアップサンプラーであるSimFeatUpを提案する。
また、パッチ機能から固有のグローバルコンテキストを抽出するための、シンプルで効果的なグローバルバイアス緩和操作も提示する。
論文 参考訳（メタデータ） (2025-08-25T14:22:57Z) - AerOSeg: Harnessing SAM for Open-Vocabulary Segmentation in Remote Sensing Images [21.294581646546124]
AerOSegは、リモートセンシングデータのための新しいOpen-Vocabulary (OVS)アプローチである。
入力画像の回転バージョンとドメイン固有のプロンプトを用いて、ロバストな画像-テキスト相関特性を計算する。
多様な領域におけるSegment Anything Model(SAM)の成功に触発されて、SAMの特徴を活用し、相関特徴の空間的洗練を導出する。
我々は, マルチスケールのアテンション・アウェア・コンポジションを用いて, 最終的なセグメンテーション・マップを作成することにより, 改良された相関性を向上する。
論文 参考訳（メタデータ） (2025-04-12T13:06:46Z) - SST-ReversibleNet: Reversible-prior-based Spectral-Spatial Transformer
for Efficient Hyperspectral Image Reconstruction [15.233185887461826]
Reversible-prior-based methodと呼ばれる新しいフレームワークが提案されている。
ReversibleNetは、シミュレートされた実HSIデータセットの最先端メソッドよりも大幅に優れています。
論文 参考訳（メタデータ） (2023-05-06T14:01:02Z) - Spatially-Adaptive Image Restoration using Distortion-Guided Networks [51.89245800461537]
空間的に変化する劣化に苦しむ画像の復元のための学習ベースソリューションを提案する。
本研究では、歪み局所化情報を活用し、画像中の困難な領域に動的に適応するネットワーク設計であるSPAIRを提案する。
論文 参考訳（メタデータ） (2021-08-19T11:02:25Z) - Context-self contrastive pretraining for crop type semantic segmentation [39.81074867563505]
提案したContext-Self Contrastive Loss (CSCL)は、セマンティックバウンダリをポップアップさせる埋め込み空間を学習する。
衛星画像時系列(SITS)からの作物型セマンティックセマンティックセグメンテーションでは,サテライト境界における性能が重要なボトルネックとなる。
より粒度の高い作物のクラスを得るための超解像における意味的セグメンテーションのプロセスを提案する。
論文 参考訳（メタデータ） (2021-04-09T11:29:44Z)
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。