論文の概要: Seeing as Humans Do: Learning from Motion to Segment Anything Without Supervision

• arxiv url: http://arxiv.org/abs/2609.39785v1
• Date: Wed, 30 Sep 2026 14:06:32 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:27.872114
• Title: Seeing as Humans Do: Learning from Motion to Segment Anything Without Supervision
• Title（参考訳）: 人間として見る: 監督なしの動作からセグメンテーションへの学習
• Abstract要約: Motion-Grounded Segment Anything (MoSA)は、ラベルなしビデオの前に転送可能なオブジェクトを学習する、教師なしのフレームワークである。 MoSAは,(1)大規模ビデオデータから多粒度運動擬似ラベルを自動的に生成する,(2)コントラスト学習による知覚グループモデル(PGM)を訓練し,オブジェクトの一般化された外観駆動概念を内在化させる,(3)画像上の部分的推論のための素早い誘導型アーキテクチャに前もって学習を移す,という3段階のプログレッシブステージで動作する。
• 参考スコア（独自算出の注目度）: 19.714130928446174
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The Segment Anything Model (SAM) relies heavily on massive manual annotations, creating a fundamental bottleneck for model scaling. While unsupervised methods attempt to learn object concepts from motion, they typically overfit to moving entities, lacking both multi-granularity understanding and the ability to generalize to static objects. To overcome this, we introduce Motion-Grounded Segment Anything (MoSA), a highly scalable unsupervised framework that learns a transferable objectness prior from unlabeled videos. MoSA operates in three progressive stages: (1) automatically generating multi-granularity motion pseudo-labels from large-scale video data; (2) training a Perceptual Grouping Model (PGM) via contrastive learning to internalize a generalized, appearance-driven concept of objects; and (3) transferring this learned prior into a prompt-guided architecture for segment-anything-style inference on images. Extensive zero-shot evaluations across seven challenging benchmarks (e.g., COCO and ADE20K) demonstrate that MoSA significantly outperforms existing unsupervised methods. Notably, despite using zero manual annotations, MoSA achieves segmentation performance comparable to the fully supervised SAM. Our findings reveal that harnessing large-scale unlabeled motion is a feasible and highly scalable alternative to annotation-driven segment-anything pipelines.
• Abstract（参考訳）: Segment Anything Model (SAM)は大量の手動アノテーションに依存しており、モデルスケーリングの根本的なボトルネックを生み出します。 教師なしの手法は動作からオブジェクトの概念を学習しようとするが、それらは典型的には移動体に過度に適合し、多粒度理解と静的オブジェクトに一般化する能力が欠如している。 この問題を解決するために、我々はMoSA(Motion-Grounded Segment Anything)を紹介した。 MoSAは,(1)大規模ビデオデータから多粒度モーション擬似ラベルを自動的に生成する,(2)コントラスト学習による知覚グループモデル(PGM)を訓練し,オブジェクトの一般化された外観駆動概念を内在化させる,(3)画像上のセグメント型推論のためのプロンプト誘導アーキテクチャに事前学習を移行する,という3つの段階において,段階的に機能する。 7つの挑戦的ベンチマーク(例えば、COCOとADE20K)にわたる広範囲なゼロショット評価は、MoSAが既存の教師なしメソッドを著しく上回っていることを示している。 特に、手動のアノテーションがゼロであるにもかかわらず、完全に教師されたSAMに匹敵するセグメンテーション性能を達成する。 以上の結果から,大規模未ラベル動作の活用は,アノテーション駆動のセグメントアプライシングパイプラインに代わる,実現可能かつスケーラブルな代替手段であることが示唆された。

関連論文リスト

• Segment Anything with Motion, Geometry, and Semantic Adaptation for Complex Nonlinear Visual Object Tracking [81.34609950921023]
  近年のビジョン基礎モデルはSAM 2で実証されている。 本稿では, SAM 2 を複雑な VOT シナリオに適用する新たなトラッキングフレームワーク SAMOSA を提案する。
  論文  参考訳（メタデータ） (2026-05-21T14:25:28Z)
• Moving Object Segmentation: All You Need Is SAM (and Flow) [82.78026782967959]
  SAMのセグメンテーション能力と移動物体の発見・グループ化能力を利用する光フローとSAMを組み合わせた2つのモデルについて検討する。 第1のモデルでは、RGBではなく光の流れを入力としてSAMに適応させ、第2のモデルではRGBを入力として、フローをセグメント化プロンプトとして使用する。 これらの驚くほど単純な方法は、追加の修正なしに、シングルオブジェクトとマルチオブジェクトのベンチマークにおいて、以前のアプローチをかなり上回っている。
  論文  参考訳（メタデータ） (2024-04-18T17:59:53Z)
• Semantic-SAM: Segment and Recognize Anything at Any Granularity [83.64686655044765]
  本稿では,任意の粒度でセグメンテーションと認識を可能にする汎用画像セグメンテーションモデルであるSemantic-SAMを紹介する。 複数のデータセットを3つの粒度に集約し、オブジェクトとパーツの分離した分類を導入する。 マルチグラニュラリティ機能を実現するために,各クリックで複数のレベルのマスクを生成できるマルチ選択学習方式を提案する。
  論文  参考訳（メタデータ） (2023-07-10T17:59:40Z)
• Improving Unsupervised Video Object Segmentation with Motion-Appearance Synergy [52.03068246508119]
  IMASは、トレーニングや推論において手動のアノテーションを使わずに、主要オブジェクトをビデオに分割する手法である。 IMASはMotion-Appearance Synergyによる改良されたUVOSを実現する。 人間のアノテーションや手作りハイパーパラム特有のメトリクスで調整された重要なハイパーパラムのチューニングにおいて、その効果を実証する。
  論文  参考訳（メタデータ） (2022-12-17T06:47:30Z)
• Segmenting Moving Objects via an Object-Centric Layered Representation [100.26138772664811]
  深層表現を用いたオブジェクト中心セグメンテーションモデルを提案する。 複数のオブジェクトで合成トレーニングデータを生成するスケーラブルなパイプラインを導入する。 標準的なビデオセグメンテーションベンチマークでモデルを評価する。
  論文  参考訳（メタデータ） (2022-07-05T17:59:43Z)
• Self-Supervised Learning of Object Parts for Semantic Segmentation [7.99536002595393]
  我々は、オブジェクト部品の自己教師型学習がこの問題の解決策であると主張している。 本手法は3つのセマンティックセグメンテーションベンチマークの最先端を17%-3%超える。
  論文  参考訳（メタデータ） (2022-04-27T17:55:17Z)

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。