論文の概要: InterHier: Learning Interconnected Hierarchical Semantics for Open-Vocabulary Object Detection

• arxiv url: http://arxiv.org/abs/2609.24026v1
• Date: Mon, 21 Sep 2026 02:48:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.043696
• Title: InterHier: Learning Interconnected Hierarchical Semantics for Open-Vocabulary Object Detection
• Title（参考訳）: InterHier: オープン語彙オブジェクト検出のための相互接続型階層的セマンティクスの学習
• Abstract要約: オープン語彙オブジェクト検出のための相互接続型階層意味表現(InterHier)を提案する。 InterHierは固定コネクタに依存するメソッドよりも継続的にパフォーマンスを改善します。 オープンボキャブラリオブジェクト検出ベンチマークの実験は、InterHierが最先端の手法と競合する性能を発揮することを示した。
• 参考スコア（独自算出の注目度）: 52.56988396577729
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In this paper, we investigate the limitations of fixed, hand-crafted connectors in hierarchical semantic representations for open-vocabulary object detection. Existing methods establish semantic relationships between base categories and unseen novel categories by placing a fixed connector between adjacent super-/sub-categories. However, such fixed connectors may not optimally capture the relationships within a semantic hierarchy. To address this limitation, we propose interconnected hierarchical semantic representations (InterHier), which utilize a prepended learnable context to globally guide the interpretation of prompts containing hierarchical relationships. InterHier operates in two main stages. First, it constructs a hierarchy-aware prompt by integrating super-/sub-categories and prepending a learnable context. Second, it optimizes this learnable context to align visual region embeddings and textual embeddings. InterHier consistently improves performance over methods that rely on fixed connectors and can be seamlessly integrated into existing open-vocabulary object detection models. Experiments on open-vocabulary object detection benchmarks demonstrate that InterHier achieves competitive performance against state-of-the-art methods.
• Abstract（参考訳）: 本稿では,オープンボキャブラリオブジェクト検出のための階層的意味表現における固定手作りコネクタの限界について検討する。 既存の手法は,隣接するスーパー/サブカテゴリ間の固定コネクタを配置することにより,基本カテゴリと未知の新規カテゴリのセマンティックな関係を確立する。 しかし、そのような固定されたコネクタは、セマンティック階層内の関係を最適に捉えてはならない。 この制限に対処するために、事前学習可能な文脈を利用して階層関係を含むプロンプトの解釈をグローバルに導く相互接続型階層意味表現(InterHier)を提案する。 インターハイアは2つの主要な舞台で活動している。 まず、スーパー/サブカテゴリを統合し、学習可能なコンテキストを予測することで、階層対応のプロンプトを構築する。 第二に、学習可能なコンテキストを最適化して、視覚領域の埋め込みとテキストの埋め込みを調整する。 InterHierは固定コネクタに依存するメソッドよりも継続的にパフォーマンスを改善し、既存のオープン語彙オブジェクト検出モデルにシームレスに統合することができる。 オープンボキャブラリオブジェクト検出ベンチマークの実験は、InterHierが最先端の手法と競合する性能を発揮することを示した。

関連論文リスト

• Unveiling the Unknown: Open Vocabulary Object Detection with Scene Graphs [16.874298364235326]
  オープンボキャブラリオブジェクト検出は、トレーニングデータの一部ではない新しいオブジェクトカテゴリを識別する。 これらの手法はしばしば、相互作用や空間配置など、オブジェクト間の構造的、イメージ固有の関係を見落としている。 本稿では,この問題に対処するためのScene-guided Modeling Detectionフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-06-04T09:23:08Z)
• Geospatial-Reasoning-Driven Vocabulary-Agnostic Remote Sensing Semantic Segmentation [13.743073097114461]
  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はリモートセンシングにおける有望な研究方向として浮上している。 本研究では,Geospatial Reasoning Chain-of-Thought(GR-CoT)フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-02-09T02:09:21Z)
• METOR: A Unified Framework for Mutual Enhancement of Objects and Relationships in Open-vocabulary Video Visual Relationship Detection [25.542175004831844]
  Open-vocabulary video visual relationship detectionは、事前に定義されたオブジェクトや関係カテゴリに制限されることなく、ビデオ内のオブジェクトとそれらの関係を検出することを目的としている。 既存の手法では、CLIPのような事前訓練された視覚言語モデルの豊富な意味知識を活用して、新しいカテゴリを識別する。 オープン語彙シナリオにおけるオブジェクト検出と関係分類を相互にモデル化し,相互に強化するために,Multual EnhancemenT of Objects and Relationships (METOR)を提案する。
  論文  参考訳（メタデータ） (2025-05-10T14:45:43Z)
• End-to-end Open-vocabulary Video Visual Relationship Detection using Multi-modal Prompting [68.37943632270505]
  Open-vocabulary video visual relationship detectionは、ビデオの視覚的関係の検出をカテゴリを超えて拡張することを目的としている。 既存の方法は、通常、閉じたデータセットで訓練された軌跡検出器を使用して物体の軌跡を検出する。 我々はCLIPの豊富な意味的知識を活用して新しい関係を発見するオープン語彙関係を提案する。
  論文  参考訳（メタデータ） (2024-09-19T06:25:01Z)
• Anaphor Assisted Document-Level Relation Extraction [42.57958231709678]
  文書レベルの関係抽出(DocRE)は、文書内の複数の文に分散されたエンティティ間の関係を識別する。 既存の方法は、エンティティの内部構造とエンティティ間の外部相互作用をモデル化する異種文書グラフの構築に焦点を当てている。 DocREタスクのためのAnaphor-Assisted (AA)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-10-28T06:11:18Z)
• DiscoPrompt: Path Prediction Prompt Tuning for Implicit Discourse Relation Recognition [27.977742959064916]
  本稿では,IDRRにおける階層間の対話的情報と本質的な感覚を利用するために,プロンプトに基づく経路予測手法を提案する。 これは、プロンプトチューニングを通じて事前訓練された言語モデルにそのような構造情報を注入する最初の作品である。
  論文  参考訳（メタデータ） (2023-05-06T08:16:07Z)
• Prototype-based Embedding Network for Scene Graph Generation [105.97836135784794]
  現在のシーングラフ生成(SGG)手法は、コンテキスト情報を探索し、エンティティペア間の関係を予測する。 被写体と対象物の組み合わせが多様であるため、各述語カテゴリーには大きなクラス内変異が存在する。 プロトタイプベースのEmbedding Network (PE-Net) は、エンティティ/述語を、プロトタイプに準拠したコンパクトで独特な表現でモデル化する。 PLは、PE-Netがそのようなエンティティ述語マッチングを効率的に学習するのを助けるために導入され、不明瞭なエンティティ述語マッチングを緩和するためにプロトタイプ正規化(PR)が考案されている。
  論文  参考訳（メタデータ） (2023-03-13T13:30:59Z)
• Hierarchical Modeling for Out-of-Scope Domain and Intent Classification [55.23920796595698]
  本稿では,対話システムにおけるスコープ外意図分類に焦点をあてる。 ドメインとインテントを同時に分類する共同モデルに基づく階層型マルチタスク学習手法を提案する。 実験により、モデルが既存の手法よりも精度、スコープ外リコール、F1で優れていることが示された。
  論文  参考訳（メタデータ） (2021-04-30T06:38:23Z)
• Context-Aware Interaction Network for Question Matching [51.76812857301819]
  本研究では,二つのシーケンスを整合させ,それらの意味関係を推定する文脈認識インタラクションネットワーク(coin)を提案する。 具体的には,(1)コンテキスト情報を効果的に統合するためのコンテキスト対応のクロスアテンション機構,(2)整列表現を柔軟に補間するゲート融合層を備える。
  論文  参考訳（メタデータ） (2021-04-17T05:03:56Z)

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。