論文の概要: Vision Transformer Ensembles for Panoramic Street Segmentation

• arxiv url: http://arxiv.org/abs/2610.06063v1
• Date: Mon, 05 Oct 2026 09:56:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-09 18:57:25.916859
• Title: Vision Transformer Ensembles for Panoramic Street Segmentation
• Title（参考訳）: パノラマストリートセグメンテーションのための視覚変換器
• Abstract要約: 本稿では,2026年10月5日付けのリーダーボードスナップショットにおいて,PalmCityチャレンジへの第1位投稿に使用されるシステムについて述べる。 9つの事前訓練セグメンテーションシステムは、ほぼ等しい計算予算を用いて比較される。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Semantic segmentation of street panoramas can support detailed descriptions of urban environments, yet small datasets and unequal training costs make model selection difficult. This paper presents the system used for a first place submission to the PalmCity challenge in the leaderboard snapshot dated 5 October 2026. Nine pretrained segmentation systems are compared using approximately equal computation budgets. The candidates include DeepLabV3+, SegFormer, UPerNet, Mask2Former, DINOv3 with a linear decoder, and an Encoder only Mask Transformer using DINOv3. The two leading candidates are trained independently with three random seeds and longer budgets. Equal averaging of class probabilities from the three Encoder only Mask Transformer models, evaluated at three image scales with horizontal reflection, produces 60.95% mean intersection over union and 71.16% mean F1 on the 84 image public validation split. The submitted predictions receive 57.08% mean intersection over union and 67.96% mean F1 on the hidden test leaderboard. Producing all 249 test masks takes 251.49 seconds including model initialization and provenance checks on one NVIDIA RTX 5090. Peak allocated GPU memory is 2.70 GiB. The study reports all eligible models, all inference variants, class level errors, source conditions, and reproducibility checks, providing a documented challenge workflow with existing architectures.
• Abstract（参考訳）: 街路パノラマのセマンティックセグメンテーションは、都市環境の詳細な説明を支援することができるが、小さなデータセットと不平等なトレーニングコストは、モデルの選定を困難にしている。 本稿では,2026年10月5日付けのリーダーボードスナップショットにおいて,PalmCityチャレンジへの第1位投稿に使用されるシステムについて述べる。 9つの事前訓練セグメンテーションシステムは、ほぼ等しい計算予算を用いて比較される。 候補には、DeepLabV3+、SegFormer、UPerNet、Mask2Former、DINOv3、DINOv3を使用したEncoderのみのMask Transformerなどがある。 2つの主要な候補者は、3つのランダムな種と長い予算で独立して訓練される。 3つのエンコーダのみのMask Transformerモデルからのクラス確率の等平均化は、3つの画像スケールで水平反射で評価され、結合上の60.95%の平均交点が生成され、84の画像公開検証分割では71.16%がF1の平均となる。 提出された予測は57.08%が組合の交差点、67.96%が秘密のテストリーダーボードのF1である。 NVIDIA RTX 5090のモデル初期化とプロファイランスチェックを含む、249のテストマスクのすべてを生成するには251.49秒を要する。 ピーク割り当てGPUメモリは2.70 GiBである。 この研究は、すべての許容可能なモデル、すべての推論変種、クラスレベルのエラー、ソース条件、再現性チェックを報告し、既存のアーキテクチャで文書化されたチャレンジワークフローを提供する。

関連論文リスト

• A PyTorch Library for Hyperspectral Image Models: Technical Report [4.164845768197488]
  Hyperspectral Image Modelsは、断片化されたリポジトリ、互換性のないテンソル規約、標準化されていない評価に対処する。 6つのパラダイムで55の代表的なモデルを統一し、共通のレジストリ、自動4D/5Dテンソル適応、標準化されたコンストラクタを備える。 Airborne、Spaceborne、UAV、Mars CRISMセンサーからの24のベンチマークシーンを統合し、キャッシュ、ラベルリマッピング、PCA、明示的なバンド選択または生のスペクトル、オプションの空間最大プーリング、任意のPxPパッチ抽出を行う。
  論文  参考訳（メタデータ） (2026-09-30T14:50:21Z)
• Technical Report for the ICRA 2026 GOOSE 2D Fine-Grained Semantic Segmentation Challenge: Pretraining-Diverse Ensemble of Foundation Vision Encoders for Robust Outdoor Scene Understanding [43.9978897868123]
  ICRA 2026 GOOSE 2D Fine-Grained Semantic Challengeでは、4つのカメラプラットフォームから56のきめ細かいカテゴリに非構造屋外シーンを解析する必要がある。 アプローチでは、基礎的なビジョンエンコーダとMask2Formerデコーダを組み合わせ、強力なレシピでトレーニングする。 提案は75.40%の合成mIoUを達成し,第2位を獲得した。
  論文  参考訳（メタデータ） (2026-06-22T09:57:55Z)
• Technical Report for ICRA 2026 GOOSE 2D Fine-Grained Semantic Segmentation Challenge: Leveraging DINOv3 for Robust Outdoor Scene Understanding in Field Robotics [8.77371742508379]
  GOOSE 2D Fine-Grained Semantic Challengeはオフロード画像の密接なセマンティックセマンティックセグメンテーションを評価する。 この課題に対する第一の解決策を提示する。
  論文  参考訳（メタデータ） (2026-06-17T01:13:22Z)
• Perception Encoder: The best visual embeddings are not at the output of the network [70.86738083862099]
  本稿では、単純な視覚言語学習によって訓練された画像と映像の理解のための視覚エンコーダであるPerception (PE)を紹介する。 対照的な視覚言語学習だけでは、これらの下流タスクに強力な汎用的な埋め込みを実現できることが分かっています。 PEモデル群は,多種多様なタスクにおいて,クラス内で最高の結果が得られる。
  論文  参考訳（メタデータ） (2025-04-17T17:59:57Z)
• SED: A Simple Encoder-Decoder for Open-Vocabulary Semantic Segmentation [91.91385816767057]
  オープンボキャブラリセマンティックセグメンテーションは、ピクセルをオープンなカテゴリの集合から異なるセマンティックグループに区別する試みである。 オープン語彙セマンティックセグメンテーションのための単純なエンコーダデコーダSEDを提案する。 SED法では、ADE20KではmIoUスコアが31.6%、A6000では画像あたり82ミリ秒(ms$)のカテゴリが150である。
  論文  参考訳（メタデータ） (2023-11-27T05:00:38Z)
• 3rd Place Solution for PVUW2023 VSS Track: A Large Model for Semantic Segmentation on VSPW [68.56017675820897]
  本稿では,PVUW2023 VSSトラックの3位解について紹介する。 ビデオセマンティックセグメンテーションの課題を解決するために,様々な画像レベルの視覚的バックボーンとセグメンテーションヘッドを探索した。
  論文  参考訳（メタデータ） (2023-06-04T07:50:38Z)
• It Takes Two: Masked Appearance-Motion Modeling for Self-supervised Video Transformer Pre-training [76.69480467101143]
  自己監督型ビデオトランスフォーマーの事前トレーニングは、最近マスク・アンド・予測パイプラインの恩恵を受けている。 本稿では,映像中の動きの手がかりを余分な予測対象として明示的に調査し,マスケッド・出現運動モデリングフレームワークを提案する。 一般的なビデオ表現を学習し、Kinects-400で82.3%、Something V2で71.3%、UCF101で91.5%、HMDB51で62.5%を達成する。
  論文  参考訳（メタデータ） (2022-10-11T08:05:18Z)
• CV 3315 Is All You Need : Semantic Segmentation Competition [14.818852884385015]
  このコンペティションは、車載カメラのビューに基づいてUrban-Senseに焦点を当てている。 クラスの非バランスなUrban-Senseイメージデータセットは、既存のソリューションに挑戦する。 ディープコンベンショナルニューラルネットワークに基づくセマンティックセグメンテーション手法は、現実のアプリケーションに適用可能な柔軟なソリューションとなる。
  論文  参考訳（メタデータ） (2022-06-25T06:27:57Z)

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。