論文の概要: Emergent Object Binding Has a Finite Spatial Horizon

• arxiv url: http://arxiv.org/abs/2610.00006v1
• Date: Thu, 09 Jul 2026 02:41:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 14:48:16.304296
• Title: Emergent Object Binding Has a Finite Spatial Horizon
• Title（参考訳）: 有限空間水平を持つ創発的オブジェクトバインディング
• Abstract要約: 自己教師付き事前学習からオブジェクトバインディングが出現することを示す。 バインディングは局所的である:同じオブジェクトの2つのパッチがモノトニックにフォールオフするとデコードされる確率。 有限範囲の局所的空間コヒーレンスとしての読み取り結合は、集合的なスコアが説明できない一連の振る舞いを説明できる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Pretrained Vision Transformers encode whether two image patches belong to the same object. This IsSameObject signal is decodable from frozen patch embeddings at high accuracy, which suggests that object binding emerges from self-supervised pretraining alone. We show that this single accuracy number hides the structure of the signal. Binding is local: the probability that two patches of the same object are decoded as bound falls off monotonically with the distance between them and levels off at a nonzero floor, a falloff well described by an exponential with a finite length scale. This decay holds across object sizes, across three families of probe, on both ADE20K and COCO, and across DINO and CLIP backbones, which indicates that it is a property of the representation rather than of the decoder. Reading binding as local spatial coherence with a finite range accounts for a set of behaviors that the aggregate score leaves unexplained: binding weakens on large objects, separates distinct objects of the same class less reliably than objects of different classes, and groups object parts with their wholes. It is, by contrast, unaffected by occlusion once object size is controlled. We map each behavior with confounds controlled. As a preliminary observation, the horizon and its floor are organized at different depths in DINOv2 and DINOv3, which we report as suggestive given the small number of layers probed and the confound between the two models.
• Abstract（参考訳）: 事前訓練されたビジョン変換器は、2つのイメージパッチが同じオブジェクトに属するかどうかを符号化する。 このIsSameObject信号は、凍結したパッチ埋め込みから高い精度でデオード可能である。 この単一精度の数値が信号の構造を隠していることを示す。 結合は局所的であり、同じ対象の2つのパッチが、それらの間の距離と非ゼロフロアのレベルとで単調にずれるときにデコードされる確率は、有限長スケールの指数関数によってよく表される。 この崩壊は、3種類のプローブ、ADE20KとCOCOの両方、およびDINOとCLIPのバックボーンにまたがる。 有限範囲の局所的な空間的コヒーレンスとして結合を読むことは、集合のスコアが説明できない一連の振る舞いを説明できる: 結合は大きなオブジェクトに弱く、同じクラスの異なるオブジェクトを異なるクラスのオブジェクトよりも確実に分離し、オブジェクトをその全体でグループ化する。 対照的に、オブジェクトサイズが制御されると、オクルージョンの影響を受けない。 それぞれの振る舞いをコンファウンド制御でマップします。 予備観測として、地平線とその床はDINOv2とDINOv3の異なる深さで組織されている。

関連論文リスト

• Learning to Generate Multiple Objects from Dense and Occluded Layouts [8.60490943852385]
  密集したシーンでは、重なり合うインスタンスは、視覚的に可視であるように見えるにもかかわらず、区別できない構造に崩壊する。 本研究は,領域依存型グループ化に向けたトークン相互作用をソフトにバイアスする,レイアウト対応型アテンションバイアスを通じてこの問題に対処する。 本手法は,画像品質を保ちながら,カウント精度を大幅に向上し,インスタンスのマージを防止する。
  論文  参考訳（メタデータ） (2026-07-03T16:56:01Z)
• TrajLoc: Trajectory-Attention Localization for Multi-Object Motion Control [12.842105475350152]
  TrajLocは、イメージ・トゥ・ビデオ(I2V)生成における複数のオブジェクトの動きを制御する新しい方法である。 オブジェクトごとの厳密な空間制約を適用し、インスタンスを独立して分離する。 提案手法は,+4.3 dB PSNRの平均ゲインと軌道終点誤差の51%削減を実現する。
  論文  参考訳（メタデータ） (2026-07-01T12:25:43Z)
• Finding Distributed Object-Centric Properties in Self-Supervised Transformers [59.00547715011873]
  自己監督型視覚変換器(ViT)は、最終層のトークンアテンションマップでよく見られる、オブジェクトを発見できる創発的な能力を示す。 これは、[]トークンがイメージレベルの目的に基づいてトレーニングされ、オブジェクトにフォーカスするのではなく、全体像を要約しているためです。 我々は、この分散オブジェクト中心情報を抽出するトレーニング不要なObject-DINOを提案する。
  論文  参考訳（メタデータ） (2026-03-27T07:22:04Z)
• Does Object Binding Naturally Emerge in Large Pretrained Vision Transformers? [11.078284195461578]
  事前学習された視覚変換器(ViT)にオブジェクトバインディングが出現することを示す。 その結果,IsSameObjectはオブジェクト上の低次元部分空間に符号化されており,この信号が注目を集めていることがわかった。 我々の研究は、ViTがオブジェクト結合を欠いているという見解に挑戦し、コネクショナリストシステムにおいて「どの部分が一緒に属しているか」という象徴的な知識がどのように自然に現れるかを強調した。
  論文  参考訳（メタデータ） (2025-10-28T17:57:05Z)
• DVMNet++: Rethinking Relative Pose Estimation for Unseen Objects [59.51874686414509]
  既存のアプローチでは、通常、接地構造オブジェクト境界ボックスと、多数の離散仮説を持つ近似3次元回転を用いて3次元翻訳を予測している。 本稿では,1回のパスで相対オブジェクトのポーズを計算するDeep Voxel Matching Network (DVMNet++)を提案する。 提案手法は,最先端手法と比較して計算コストの低い新しいオブジェクトに対して,より正確な相対的ポーズ推定を行う。
  論文  参考訳（メタデータ） (2024-03-20T15:41:32Z)
• Object-Centric Multiple Object Tracking [124.30650395969126]
  本稿では,多目的追跡パイプラインのためのビデオオブジェクト中心モデルを提案する。 オブジェクト中心のスロットを検出出力に適応するインデックスマージモジュールと、オブジェクトメモリモジュールで構成される。 オブジェクト中心学習に特化して、オブジェクトのローカライゼーションと機能バインディングのためのスパース検出ラベルしか必要としない。
  論文  参考訳（メタデータ） (2023-09-01T03:34:12Z)
• Topologically Persistent Features-based Object Recognition in Cluttered Indoor Environments [1.2691047660244335]
  見えない屋内環境における隠蔽物体の認識は、移動ロボットにとって困難な問題である。 本研究では,物体点雲の3次元形状を捉えるスライシングに基づく新しいトポロジカルディスクリプタを提案する。 これは、隠蔽対象のディスクリプタとそれに対応する非隠蔽対象との類似性を生じさせ、オブジェクトのユニティに基づく認識を可能にする。
  論文  参考訳（メタデータ） (2022-05-16T07:01:16Z)
• Objects are Different: Flexible Monocular 3D Object Detection [87.82253067302561]
  そこで本研究では,乱れたオブジェクトを明示的に分離し,オブジェクト深度推定のための複数のアプローチを適応的に組み合わせたモノクル3次元オブジェクト検出のためのフレキシブルなフレームワークを提案する。 実験の結果,本手法はkittiベンチマークテストセットにおいて,中等度レベルが27%,硬度が30%と,最先端法を27%上回った。
  論文  参考訳（メタデータ） (2021-04-06T07:01:28Z)
• Deep Occlusion-Aware Instance Segmentation with Overlapping BiLayers [72.38919601150175]
  高オーバーラップオブジェクトをセグメント化するBilayer Convolutional Network (BCNet)を提案する。 BCNetはオクルージョンオブジェクト(Occluder)を検出し、ボトムGCN層は部分的にOccludedインスタンス(Occludee)を推論する
  論文  参考訳（メタデータ） (2021-03-23T06:25:42Z)

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。