論文の概要: SAFe: Segment-guided Aggregation of Feature Densities for Anomaly-aware Segmentation

• arxiv url: http://arxiv.org/abs/2609.24204v1
• Date: Mon, 21 Sep 2026 07:18:23 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.141134
• Title: SAFe: Segment-guided Aggregation of Feature Densities for Anomaly-aware Segmentation
• Title（参考訳）: SAFe: Anomaly-Aware Segmentationのためのセグメント誘導による特徴密度の集約
• Abstract要約: SAFeは、凍結したDINOv3特徴に対してクラス条件正規化推定を生成する軽量な正規化フローを訓練する。 本稿では,位置当たりの確率を空間的に整合したセグメントに接続するSAM3に基づく手法に依存しない後処理手順を提案する。 SAFe は PANIC,OoDIS,SMIYC ObstacleTrack に新たな技術状況を設定し,ISSU ベンチマークでは高いパフォーマンスを実現している。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Visual segmentation systems encounter objects outside their training distribution during real-world deployment, hindering reliable autonomous systems that depend on scene parsing in the perception stage. Many recent methods address this by using self-supervised foundation models to train density estimators that yield low likelihood in anomalous image regions. Although promising, these methods suffer from poor feature semantics or they lack spatial consistency, both of which undermine critical downstream decisions. We address this problem with~\method, a generative method based on class-conditional density estimation over self-supervised representations. SAFe trains lightweight normalizing flows that produce class-conditional normalized likelihood estimates over frozen DINOv3 features. We combine density estimates from transformer features with density scores over multi-scale convolutional features to capture both global semantics and local detail. We introduce a method-agnostic post-processing step based on SAM3 that connects per-location likelihoods into spatially coherent segments while suppressing false positives, and enables instance-level anomaly detection without retraining. The post processing further distinguishes novel categories among anomalous objects by a similarity-based agglomerative clustering scheme. SAFe sets a new state of the art on the PANIC, OoDIS, SMIYC ObstacleTrack with strong performance on the ISSU benchmark.
• Abstract（参考訳）: ビジュアルセグメンテーションシステムは、実世界の展開中にトレーニングディストリビューション外のオブジェクトに遭遇し、認識段階におけるシーン解析に依存する信頼性の高い自律システムを妨げる。 近年の多くの手法では、自己教師付き基礎モデルを用いて、異常画像領域において低い可能性をもたらす密度推定器を訓練している。 有望ではあるが、これらの手法は機能的意味論に苦しむか、空間的一貫性に欠ける。 自己教師付き表現を用いたクラス条件密度推定に基づく生成手法である–\methodを用いてこの問題に対処する。 SAFeは、凍結したDINOv3特徴に対してクラス条件正規化推定を生成する軽量な正規化フローを訓練する。 我々は,大域的意味論と局所的詳細性の両方を捉えるために,変圧器特徴からの密度推定とマルチスケール畳み込み特徴に対する密度スコアを組み合わせる。 提案手法は,偽陽性を抑えつつ,位置当たりの確率を空間的に整合したセグメントに接続するSAM3に基づく手法に依存しない後処理ステップを導入し,再トレーニングせずにインスタンスレベルの異常検出を可能にする。 ポスト処理は、類似性に基づく凝集クラスタリング方式により、異常オブジェクトの新規カテゴリをさらに区別する。 SAFeは、PANIC、OoDIS、SMIYC ObstacleTrackに、ISSUベンチマークで強いパフォーマンスで、新たな最先端技術を設定している。

関連論文リスト

• Semi-Supervised Learning under Spatially Biased Sampling [0.0]
  標準半教師付き学習(SSL)は、通常はラベル付きおよび非ラベル付きデータ共有に依存している。 本稿では,SSLのミスマッチ,クラスタと多様体の仮定が生き残るか,失敗を診断する方法について検討する。
  論文  参考訳（メタデータ） (2026-09-07T21:01:15Z)
• Semantic Segmentation for Histopathology using Learned Regularization based on Global Proportions [36.19647813139097]
  本稿では,大域比から高密度なセグメンテーションを推定する2段階のフレームワークであるVSLP(Label Proportions)について紹介する。 エンド・ツー・エンドのネットワークとは異なり、我々の変分法はフィデリティ・正則化エネルギーを可視化し、より解釈可能なセグメンテーションをもたらす。 既存の教師なしおよび教師なしの手法よりも優れた性能を達成し、2つの公開データセットに対するアプローチを検証する。
  論文  参考訳（メタデータ） (2026-04-27T11:42:56Z)
• CLIP Meets Diffusion: A Synergistic Approach to Anomaly Detection [49.11819337853632]
  異常検出は、異常の定義の曖昧さ、異常型の多様性、トレーニングデータの不足による複雑な問題である。 識別的基盤モデルと生成的基礎モデルの両方を活用するCLIPfusionを提案する。 本手法は, 異常検出の多面的課題に対処する上で, マルチモーダル・マルチモデル融合の有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2025-06-13T13:30:15Z)
• Robust Confinement State Classification with Uncertainty Quantification through Ensembled Data-Driven Methods [39.27649013012046]
  本研究では,不確実性定量化とモデルロバスト性を考慮した閉じ込め状態分類法を開発した。 我々は,TV放電のオフライン解析に焦点をあて,Lモード,Hモード,および中間ディザリング位相(D)を区別する。 302TCV放電のデータセットは完全にラベル付けされ、一般公開される。
  論文  参考訳（メタデータ） (2025-02-24T18:25:22Z)
• Towards the Uncharted: Density-Descending Feature Perturbation for Semi-supervised Semantic Segmentation [51.66997548477913]
  本稿では,DDFP(Dedentity-Descending Feature Perturbation)という特徴レベルの一貫性学習フレームワークを提案する。 半教師付き学習における低密度分離仮定にインスパイアされた私たちの重要な洞察は、特徴密度はセグメンテーション分類器が探索する最も有望な方向の光を放つことができるということである。 提案したDFFPは、機能レベルの摂動に関する他の設計よりも優れており、Pascal VOCとCityscapesのデータセット上でのアートパフォーマンスの状態を示している。
  論文  参考訳（メタデータ） (2024-03-11T06:59:05Z)
• DAAIN: Detection of Anomalous and Adversarial Input using Normalizing Flows [52.31831255787147]
  我々は、アウト・オブ・ディストリビューション(OOD)インプットと敵攻撃(AA)を検出する新しい手法であるDAINを導入する。 本手法は,ニューラルネットワークの内部動作を監視し,活性化分布の密度推定器を学習する。 当社のモデルは,特別なアクセラレータを必要とせずに,効率的な計算とデプロイが可能な単一のGPUでトレーニングすることが可能です。
  論文  参考訳（メタデータ） (2021-05-30T22:07:13Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。