論文の概要: SRPR-Net: Semantic and Relational Prompt Refinement for Automated SAM-based Instance Segmentation

• arxiv url: http://arxiv.org/abs/2609.24226v1
• Date: Mon, 21 Sep 2026 07:46:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.201944
• Title: SRPR-Net: Semantic and Relational Prompt Refinement for Automated SAM-based Instance Segmentation
• Title（参考訳）: SRPR-Net: 自動SAMベースインスタンスセグメンテーションのための意味的および関係的プロンプトリファインメント
• Abstract要約: 本稿では,SAM ベースの自動インスタンス分割のための Prompt Refinement Network (SRP-R-Net) を提案する。 SRP-R-Netは、既存の最先端アプローチよりもセグメンテーション性能が一貫した改善を実現している。
• 参考スコア（独自算出の注目度）: 10.412225822585244
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Instance segmentation is a fundamental computer vision task with diverse real-world applications. Recently, prompt-driven foundation models have shown promising generalization. However, automated prompting remains limited by insufficient semantic guidance and inter-instance modeling. To address this challenge, we propose a novel architecture, named Semantic Relational Prompt Refinement Network (SRPR-Net), for automated SAM-based instance segmentation. A sequential prompt refinement mechanism is introduced to enrich detector geometry with visual-language semantics and then incorporate same-image instance dependencies, enabling context-aware box adjustment before SAM segmentation. Experiments on multiple standard benchmarks demonstrate that SRPR-Net achieves consistent improvements in segmentation performance over existing state-of-the-art approaches. The code is publicly available at https://github.com/JeremyXSC/SRPR-Net.
• Abstract（参考訳）: インスタンスセグメンテーションは、様々な現実世界のアプリケーションに対する基本的なコンピュータビジョンタスクである。 近年、プロンプト駆動基礎モデルは有望な一般化を示している。 しかし、セマンティックガイダンスやインスタンス間モデリングが不十分なため、自動プロンプトは依然として限られている。 この課題に対処するために,自動SAMベースのインスタンスセグメンテーションのためのSemantic Relational Prompt Refinement Network (SRPR-Net) という新しいアーキテクチャを提案する。 シーケンシャル・プロンプト・リファインメント機構を導入し、視覚言語意味論で検出器幾何学を豊かにし、同じイメージのインスタンス依存を取り入れ、SAMセグメンテーションの前にコンテキスト認識ボックスの調整を可能にする。 複数の標準ベンチマークの実験では、SRPR-Netは既存の最先端アプローチよりもセグメンテーション性能が一貫した改善を達成している。 コードはhttps://github.com/JeremyXSC/SRPR-Netで公開されている。

関連論文リスト

• InstructSAM: Segment Any Instance with Any Instructions [70.32433456722613]
  InstructSAMは任意の命令の下でマルチインスタンスセグメンテーションのために設計されたフレームワークである。 学習可能なインスタンスクエリのバンクを視覚言語モデル(VLM)とSAM3に注入する。 ハイブリッドアテンション機構は、これらのクエリ、ビジュアルトークン、命令トークン間の相互作用を促進する。
  論文  参考訳（メタデータ） (2026-05-25T17:58:03Z)
• PR-MaGIC: Prompt Refinement Via Mask Decoder Gradient Flow For In-Context Segmentation [12.227797182463611]
  我々は,SAMのマスクデコーダからの勾配流によるプロンプトを洗練させる,トレーニング不要なテストタイムフレームワークであるPR-MaGIC(Prompt Refinement via Mask Decoder for In-Context)を紹介する。 PR-MaGICは、様々なベンチマークのセグメンテーション品質を一貫して改善し、トレーニングやアーキテクチャの変更を必要とせずに、効果的に不適切なプロンプトを緩和する。
  論文  参考訳（メタデータ） (2026-04-13T22:40:04Z)
• OVI-MAP:Open-Vocabulary Instance-Semantic Mapping [108.66131262110095]
  OVI-MAPは、RGB-D入力から漸進的に構築される、クラスに依存しない3Dインスタンスマップである。 意味的特徴は、視覚言語モデルを用いて、選択された少数のビューからのみ抽出される。 我々のシステムはリアルタイムに動作し、標準ベンチマークで最先端のオープン語彙マッピングのベースラインを上回ります。
  論文  参考訳（メタデータ） (2026-03-27T15:50:59Z)
• ReSAM: Refine, Requery, and Reinforce: Self-Prompting Point-Supervised Segmentation for Remote Sensing Images [0.5076419064097732]
  リモートセンシング画像にインタラクティブなセグメンテーションモデルを適用するセルフプロンプト・ポイント制御フレームワークを提案する。 提案手法を,WHU,HRSID,NWPU VHR-10を含む3つのRSIベンチマークデータセット上で評価した。 この結果から, リモートセンシングアプリケーションにおいて, 自己プロンプトとセマンティックアライメントが, 拡張性, ポイントレベルのセグメンテーションモデルへの適応に有効であることが示唆された。
  論文  参考訳（メタデータ） (2025-11-26T17:26:00Z)
• Insight Any Instance: Promptable Instance Segmentation for Remote Sensing Images [0.0]
  リモートセンシング画像(RSI)のインスタンスセグメンテーションは、土地計画やインテリジェントトランスポートといった幅広い用途に欠かせない課題である。 ほとんどのインスタンスセグメンテーションモデルは、深い特徴学習に基づいており、複数のダウンサンプリングのような操作を含んでいる。 近年,視覚課題における即時学習の優れた性能に触発されて,上記の課題に対処する新たなプロンプトパラダイムを提案する。
  論文  参考訳（メタデータ） (2024-09-11T05:31:50Z)
• Semantic-aware SAM for Point-Prompted Instance Segmentation [29.286913777078116]
  本稿では,Segment Anything (SAM) を用いた費用対効果の高いカテゴリー別セグメンタを提案する。 この課題に対処するために、複数のインスタンス学習(MIL)と整合性を備えたSAMとポイントプロンプトを備えたセマンティック・アウェア・インスタンスネットワーク(SAPNet)を開発した。 SAPNetはSAMによって生成される最も代表的なマスクの提案を戦略的に選択し、セグメンテーションを監督する。
  論文  参考訳（メタデータ） (2023-12-26T05:56:44Z)
• Semantic Attention and Scale Complementary Network for Instance Segmentation in Remote Sensing Images [54.08240004593062]
  本稿では,セマンティックアテンション(SEA)モジュールとスケール補完マスクブランチ(SCMB)で構成される,エンドツーエンドのマルチカテゴリインスタンスセグメンテーションモデルを提案する。 SEAモジュールは、機能マップ上の興味あるインスタンスのアクティベーションを強化するために、追加の監督を備えた、単純な完全な畳み込みセマンティックセマンティックセマンティクスブランチを含んでいる。 SCMBは、元のシングルマスクブランチをトリデントマスクブランチに拡張し、異なるスケールで補完マスクの監視を導入する。
  論文  参考訳（メタデータ） (2021-07-25T08:53:59Z)
• ISTR: End-to-End Instance Segmentation with Transformers [147.14073165997846]
  ISTRと呼ばれるインスタンスセグメンテーショントランスフォーマーを提案します。これは、その種類の最初のエンドツーエンドフレームワークです。 ISTRは低次元マスクの埋め込みを予測し、それらのマスクの埋め込みと一致する。 ISTRは、提案されたエンドツーエンドのメカニズムにより、近似ベースのサブオプティマティック埋め込みでも最先端のパフォーマンスを発揮します。
  論文  参考訳（メタデータ） (2021-05-03T06:00:09Z)

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。