論文の概要: When Predicting Nothing Beats SAM 3: Revisiting Evaluation in Video Object Segmentation

• arxiv url: http://arxiv.org/abs/2610.02946v1
• Date: Fri, 02 Oct 2026 07:38:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.256296
• Title: When Predicting Nothing Beats SAM 3: Revisiting Evaluation in Video Object Segmentation
• Title（参考訳）: 何も予測しないSAM 3:ビデオオブジェクトセグメンテーションの評価を再考する
• Abstract要約: 本稿では,低時間でVOS手法を評価するためのベンチマークであるFaVOS(A Benchmark for Video Object with Fractional Temporal Visibility)を紹介する。 このような状況下では,標準J&F測度がVOS評価を不在分類に分解しうることを示す。 自明な空のマスク予測器でさえSAM 3のような強力なモデルよりも優れており、現在のメトリクスと実用的なパフォーマンスの基本的なミスマッチが明らかである。
• 参考スコア（独自算出の注目度）: 5.25116495627073
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Video Object Segmentation (VOS) in complex and long videos is increasingly important for real-world applications, where target objects often appear only intermittently within long temporal horizons. However, existing benchmarks largely focus on temporally salient objects that remain visible for most of the video. To address this gap, we introduce FaVOS (A Benchmark for Video Object Segmentation with Fractional Temporal Visibility), a benchmark designed to evaluate VOS methods under low temporal visibility. We show that, in this regime, the standard J&F metric can collapse VOS evaluation into absence classification, because empty predictions receive high rewards on target-absent frames. Consequently, even a trivial empty-mask predictor can outperform strong models such as SAM 3, revealing a fundamental mismatch between current metrics and practical VOS performance. To mitigate this issue, we propose Volumetric J&F, which evaluates mask sequences as spatio-temporal volumes and reduces the dominance of target-absence rewards while preserving sensitivity to segmentation quality and temporal structure. Project page: https://aidaslab.github.io/FaVOS.
• Abstract（参考訳）: 複雑で長いビデオにおけるビデオオブジェクトセグメンテーション(VOS)は現実のアプリケーションではますます重要になってきており、ターゲットオブジェクトは長い時間的水平線内でのみ断続的に現れる。 しかし、既存のベンチマークでは、ほとんどのビデオで見られる時間的に健全なオブジェクトに焦点が当てられている。 このギャップに対処するために、低時間視認性下でVOS手法を評価するために設計されたベンチマークであるFaVOS(A Benchmark for Video Object Segmentation with Fractional Temporal Visibility)を導入する。 このような状況下では,標準J&F測度がVOS評価を不在分類に分解しうることを示す。 したがって、自明な空のマスク予測器でさえSAM 3のような強力なモデルよりも優れており、現在のメトリクスと実用的なVOSパフォーマンスの基本的なミスマッチが明らかである。 この問題を軽減するために,マスク列を時空間ボリュームとして評価し,セグメンテーション品質や時間構造に敏感に保ちながら,目標達成報酬の優位性を低下させるボリュームJ&Fを提案する。 プロジェクトページ: https://aidaslab.github.io/FaVOS

関連論文リスト

• TOC-Bench: A Temporal Object Consistency Benchmark for Video Large Language Models [9.648992690108086]
  ビデオ大言語モデル(ビデオ-LLM)は、一般的なビデオ理解において大きな進歩を遂げているが、時間的オブジェクトの一貫性を維持する能力はいまだ探索されていない。 ビデオLLMにおける時間的オブジェクトの一貫性を評価するための診断ベンチマークであるTOC-Benchを紹介する。
  論文  参考訳（メタデータ） (2026-05-11T02:47:59Z)
• Temporal Prompting Matters: Rethinking Referring Video Object Segmentation [64.82333675385802]
  Referring Video Object (RVOS) は、クエリ文によって参照されるオブジェクトをビデオにセグメントすることを目的としている。 既存のほとんどの方法は、密集したマスクアノテーションによるエンドツーエンドのトレーニングを必要とする。 本稿では,参照要因とビデオ要因に対処するテンポラル・プロンプト生成・選択(テネ)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-10-08T17:59:57Z)
• Long-RVOS: A Comprehensive Benchmark for Long-term Referring Video Object Segmentation [51.2732688481343]
  本稿では,長期参照オブジェクトセグメンテーションのための大規模ベンチマークであるLongtextbf-RVOSを紹介する。 Long-RVOSには、平均時間60秒を超える2,000以上のビデオが含まれており、さまざまなオブジェクトをカバーしている。 フレーム単位の空間評価にのみ依存する従来のベンチマークとは異なり、時間的・時間的整合性を評価するために2つの指標を導入する。
  論文  参考訳（メタデータ） (2025-05-19T04:52:31Z)
• ReferDINO: Referring Video Object Segmentation with Visual Grounding Foundations [33.74746234704817]
  ビデオオブジェクトセグメンテーション(RVOS)は、テキスト記述に基づいて、ビデオ全体を通してターゲットオブジェクトをセグメンテーションすることを目的としている。 これは、深い視覚レベルの理解、ピクセルレベルの高密度な予測、時間的推論を含むため、難しい。 基礎的な視覚基盤モデルから領域レベルの視覚テキストアライメントを継承するbfReferDINO RVOSを提案する。
  論文  参考訳（メタデータ） (2025-01-24T16:24:15Z)
• What is Point Supervision Worth in Video Instance Segmentation? [119.71921319637748]
  ビデオインスタンスセグメンテーション(VIS)は、ビデオ内のオブジェクトを検出し、セグメンテーションし、追跡することを目的とした、難しいビジョンタスクである。 トレーニング中、ビデオフレーム内の各オブジェクトについて、人間のアノテーションを1点に減らし、完全に教師されたモデルに近い高品質なマスク予測を得る。 3つのVISベンチマークに関する総合的な実験は、提案フレームワークの競合性能を示し、完全に教師付きされた手法にほぼ一致する。
  論文  参考訳（メタデータ） (2024-04-01T17:38:25Z)
• Temporally Consistent Referring Video Object Segmentation with Hybrid Memory [98.80249255577304]
  本稿では,参照セグメンテーションとともに時間的一貫性を明示的にモデル化する,エンドツーエンドなR-VOSパラダイムを提案する。 自動生成された高品質の参照マスクを有するフレームの特徴は、残りのフレームをセグメント化するために伝播される。 大規模な実験により,本手法は時間的整合性を著しく向上させることが示された。
  論文  参考訳（メタデータ） (2024-03-28T13:32:49Z)
• Implicit Motion Handling for Video Camouflaged Object Detection [60.98467179649398]
  本稿では,新しいビデオカモフラージュオブジェクト検出(VCOD)フレームワークを提案する。 短期的および長期的整合性を利用して、ビデオフレームからカモフラージュされたオブジェクトを検出する。
  論文  参考訳（メタデータ） (2022-03-14T17:55:41Z)

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。