論文の概要: EmbPASS: Towards Cross-Embodiment Open Panoramic Segmentation

• arxiv url: http://arxiv.org/abs/2610.03248v1
• Date: Fri, 02 Oct 2026 12:58:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-06 00:14:30.375676
• Title: EmbPASS: Towards Cross-Embodiment Open Panoramic Segmentation
• Title（参考訳）: EmbPASS: クロスエボディメントなオープンパノラマセグメンテーションを目指して
• Abstract要約: 不均質なエンボディプラットフォームは、観測視点と空間配置にかなりの違いを示します。 EmbPASSは、クロス・エボディメント・パノラマ知覚を体系的に研究するためのテストベッドである。 EmbNetは、Relation-Aware Metric Adapter (RAMA)とContent-Adaptive Semantic Transfer (CAST)を統合したパノラマセマンティックセマンティックセマンティックセマンティックセマンティックネットワークである。
• 参考スコア（独自算出の注目度）: 20.478816225017646
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Panoramic images provide a complete 360-degree field of view, enabling comprehensive scene understanding for embodied perception. However, heterogeneous embodied platforms exhibit substantial differences in observation viewpoints and spatial layouts, giving rise to cross-embodiment observation shifts that pose additional challenges to consistent and reliable panoramic perception, while systematic studies of this problem remain limited. To bridge this gap, we introduce a new task, termed Cross-Embodiment Open Panoramic Segmentation. Meanwhile, we establish EmbPASS, a multi-platform panoramic semantic segmentation benchmark spanning Vehicle, Drone, Wearable, and Quadruped platforms under a unified semantic taxonomy, providing a testbed for systematically studying cross-embodiment panoramic perception. We further propose EPONet, an open-vocabulary panoramic semantic segmentation network that integrates Relation-Aware Metric Adapter (RAMA) and Content-Adaptive Semantic Transfer (CAST) to enhance spatial modeling and semantic transfer under heterogeneous embodied observations. Extensive experiments show that EPONet achieves the best platform-balanced performance on EmbPASS with 35.82% mIoU, outperforming the strongest baseline by 1.10%, while remaining competitive on existing panoramic segmentation benchmarks. The source code and EmbPASS benchmark will be made publicly available at https://github.com/guopj1/EmbPASS.
• Abstract（参考訳）: パノラマ画像は、完全な360度視野を提供し、包括的シーン理解により、知覚を具現化することができる。 しかし、不均一なエンボディードプラットフォームは観察視点と空間的レイアウトに大きな違いを示しており、不均一で信頼性の高いパノラマ知覚にさらなる課題をもたらすクロス・エボディメント・オブザーバ・シフトがもたらされる一方で、この問題の体系的な研究は限定的のままである。 このギャップを埋めるために、我々はCross-Embodiment Open Panoramic Segmentationと呼ばれる新しいタスクを導入する。 一方、EmbPASSは、車両、ドローン、ウェアラブル、および擬似プラットフォームにまたがる多プラットフォームパノラマセマンティックセマンティックセマンティクスのベンチマークで、統一的なセマンティクス分類の下で確立し、異種間パノラマ知覚を体系的に研究するためのテストベッドを提供する。 EPONetは,異種エンボディ観測下での空間的モデリングとセマンティックトランスファーを強化するために,RAMA(Relation-Aware Metric Adapter)とCAST(Content-Adaptive Semantic Transfer)を統合したオープンボキャブラリパノラマセマンティックセマンティックセマンティックセマンティックネットワークである。 EPONetは、35.82% mIoUでEmbPASS上で最高のプラットフォームバランス性能を達成し、既存のパノラマセグメンテーションベンチマークで競争力を維持しながら、最強のベースラインを1.10%上回った。 ソースコードとEmbPASSベンチマークはhttps://github.com/guopj1/EmbPASSで公開される。

関連論文リスト

• Seek to Segment: Active Perception for Panoramic Referring Segmentation [76.39419654494505]
  既存の参照セグメンテーションモデルは、固定された視点からキャプチャされた静的イメージを受動的に処理する。 能動パノラマ参照のためのメモリ拡張エージェントであるPanoSeekerを提案する。 新たに確立したAPRSベンチマーク実験により、PanoSeekerはより優れた探索効率とセグメンテーション精度を実現することが示された。
  論文  参考訳（メタデータ） (2026-07-02T17:56:49Z)
• Seeing Beyond: Extrapolative Domain Adaptive Panoramic Segmentation [23.40590151933085]
  ドメイン間のパノラマセマンティックセマンティックセマンティックセマンティクスは、現実世界のアプリケーションに360度を包括的に理解できるため、関心を集めている。 オープンセットのドメイン適応設定を定式化し、外挿ドメイン適応パノラマ(EDA-PSeg)フレームワークを提案する。 EDA-PSegは、様々な環境条件下で、最先端の性能、多様な観測測地への堅牢な一般化、レジリエンスを実現している。
  論文  参考訳（メタデータ） (2026-03-16T16:09:18Z)
• Panoramic Out-of-Distribution Segmentation for Autonomous Driving [25.32165408678185]
  パノラマ・アウト・オブ・ディストリビューション(PanOoS)を導入し,包括的で安全なシーン理解を実現する。 POSはテキスト誘導の即時分布学習によりパノラマ画像の特徴に適応する。 POSは、主要なクローズドセットセグメンテーション機能を実現し、パノラマ理解の開発を進める。
  論文  参考訳（メタデータ） (2025-05-06T13:51:26Z)
• Rethinking Range View Representation for LiDAR Segmentation [66.73116059734788]
  「多対一」マッピング、意味的不整合、形状変形は、射程射影からの効果的な学習に対する障害となる可能性がある。 RangeFormerは、ネットワークアーキテクチャ、データ拡張、後処理を含む新しい設計を含む、フルサイクルのフレームワークである。 比較対象のLiDARセマンティックスとパノプティックスセグメンテーションのベンチマークにおいて,初めてレンジビュー法が点,ボクセル,マルチビューフュージョンを越えられることを示す。
  論文  参考訳（メタデータ） (2023-03-09T16:13:27Z)
• Behind Every Domain There is a Shift: Adapting Distortion-aware Vision Transformers for Panoramic Semantic Segmentation [73.48323921632506]
  パノラマ的セマンティックセマンティックセグメンテーションは2つの重要な課題により未探索である。 まず、変形性パッチ埋め込み(DPE)と変形性(DMLPv2)モジュールを備えたパノラマセマンティックトランス4PASS+を改良したトランスフォーマーを提案する。 第2に、教師なしドメイン適応パノラマセグメンテーションのための擬似ラベル修正により、Mutual Prototypeal Adaptation(MPA)戦略を強化する。 第3に、Pinhole-to-Panoramic(Pin2Pan)適応とは別に、9,080パノラマ画像を用いた新しいデータセット(SynPASS)を作成します。
  論文  参考訳（メタデータ） (2022-07-25T00:42:38Z)
• Panoptic-PHNet: Towards Real-Time and High-Precision LiDAR Panoptic Segmentation via Clustering Pseudo Heatmap [9.770808277353128]
  本稿では,Panoptic-PHNetと呼ばれる高速かつ高性能なLiDARベースのフレームワークを提案する。 我々は、クラスタリング擬似ヒートマップを新しいパラダイムとして導入し、それに続いて、集中型グループ化モジュールが、効率的なクラスタリングのためにインスタンスセンタを生成する。 バックボーンデザインでは、細粒度のボクセル機能と2D Bird's Eye View (BEV)機能を異なる受容領域に融合し、詳細情報とグローバル情報の両方を利用する。
  論文  参考訳（メタデータ） (2022-05-14T08:16:13Z)

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。