論文の概要: MaskMerge: Structure-aware Token Merging for Efficient Instance Segmentation

• arxiv url: http://arxiv.org/abs/2610.22921v1
• Date: Fri, 16 Oct 2026 04:37:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 00:56:07.764451
• Title: MaskMerge: Structure-aware Token Merging for Efficient Instance Segmentation
• Title（参考訳）: MaskMerge: 効率的なインスタンスセグメンテーションのための構造対応のトークンマージ
• Abstract要約: MaskMergeは、粗い中間マスク予測を用いて特徴ベースのマージを制約する、インスタンス対応トークンマージ手法である。 我々はPanNukeとiSAIDの2つの異なるインスタンスセグメンテーション領域でMaskMergeを評価した。 また、このゲインは事前訓練されたバックボーンに転送され、インスタンスを意識したマージにより、外観の類似性だけでオブジェクトのアイデンティティを確実に保存できない場合に、より積極的な圧縮が可能になることが示される。
• 参考スコア（独自算出の注目度）: 53.97488478306929
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Token merging improves the efficiency of Vision Transformers by combining redundant tokens, but existing methods largely rely on feature similarity to determine which tokens to merge. This criterion is effective for semantic segmentation, yet can fail in instance segmentation, where adjacent objects of the same class often have highly similar features. We identify this failure mode as cross-instance token fusion. We introduce MaskMerge, an instance-aware token merging method that uses coarse intermediate mask predictions to constrain feature-based merging and preserve instance boundaries. We evaluate MaskMerge on two diverse instance segmentation domains characterized by high inter-instance visual similarity: PanNuke and iSAID. Against the SOTA token merging method ALGM, MaskMerge improves mAP from 30.1 to 32.1 on PanNuke while reducing computation from 229 to 153 GFLOPs and running 1.18x faster, and from 33.1 to 36.2 on iSAID while reducing computation from 198 to 182 GFLOPs and running 1.23x faster. Additionally, we also test it on Cityscapes and match ALGM's performance while using fewer FLOPs. The gains also transfer to an MAE pretrained backbone, demonstrating that instance-aware merging enables more aggressive compression when appearance similarity alone cannot reliably preserve object identity.
• Abstract（参考訳）: トークンマージは、冗長なトークンを組み合わせることでビジョントランスフォーマーの効率を向上させるが、既存のメソッドはマージするトークンを決定するために機能類似性に大きく依存している。 この基準はセマンティックセグメンテーションに有効であるが、同じクラスの隣接オブジェクトがしばしば非常に類似した特徴を持つインスタンスセグメンテーションでは失敗する可能性がある。 この障害モードをクロスインスタンストークン融合とみなす。 我々は、粗い中間マスク予測を用いて、特徴ベースのマージを制約し、インスタンス境界を保存するインスタンス対応トークンマージ手法であるMaskMergeを紹介する。 我々はPanNukeとiSAIDの2つの異なるインスタンスセグメンテーション領域でMaskMergeを評価した。 SOTAトークンのマージ手法であるALGMに対して、MaskMergeはPanNukeでmAPを30.1から32.1に改善し、229から153GFLOPで1.18倍、iSAIDで33.1から36.2に、計算で198から182GFLOPで1.23倍に改善した。 さらに、Cityscapesでもテストし、FLOPを少なくしてALGMのパフォーマンスにマッチします。 また、このゲインは事前訓練されたバックボーンに転送され、インスタンスを意識したマージにより、外観の類似性だけでオブジェクトのアイデンティティを確実に保存できない場合に、より積極的な圧縮が可能になることが示される。

関連論文リスト

• SCMerge: Spatial-Consistency-Aware Token Pair Merging for Efficient Semantic Segmentation [6.395596241630628]
  SCMergeは、類似トークンのペアリングにおける特徴類似性と空間整合性を考慮した、トレーニング不要なトークンマージ手法である。 ADE20K、Pascal Context、Cityscapesのベンチマークデータセットの実験は、SCMergeがベースラインメソッドよりもセグメンテーション精度と効率のトレードオフを一貫して達成していることを示している。
  論文  参考訳（メタデータ） (2026-10-15T10:23:08Z)
• ClustViT: Clustering-based Token Merging for Semantic Segmentation [2.661056455199956]
  最近の研究は、画像の複雑さに応じてトークンを動的にマージすることに焦点を当てている。 我々は、視覚変換器(ViT)のバックボーンとアドレスセマンティックセグメンテーションを拡張するClustViTを提案する。 提案手法は,3つのデータセットに対して最大2.18倍のGFLOPと1.64倍の高速推論を実現する。
  論文  参考訳（メタデータ） (2025-10-02T12:15:40Z)
• Mask Transfiner for High-Quality Instance Segmentation [95.74244714914052]
  高品質で効率的なインスタンスセグメンテーションのためのMask Transfinerを提案する。 当社のアプローチでは, エラーが発生しやすい木ノードを検出し, エラーを並列に自己修正する。 私たちのコードとトレーニングされたモデルは、http://vis.xyz/pub/transfiner.comで公開されます。
  論文  参考訳（メタデータ） (2021-11-26T18:58:22Z)
• BoxInst: High-Performance Instance Segmentation with Box Annotations [102.10713189544947]
  本稿では,トレーニング用バウンディングボックスアノテーションのみを用いて,マスクレベルのインスタンスセグメンテーションを実現する高性能な手法を提案する。 私たちの中核となる考え方は、セグメンテーションネットワーク自体を変更することなく、インスタンスセグメンテーションにおける学習マスクの喪失を活用することです。
  論文  参考訳（メタデータ） (2020-12-03T22:27:55Z)
• Unifying Instance and Panoptic Segmentation with Dynamic Rank-1 Convolutions [109.2706837177222]
  DR1Maskは、インスタンスとセマンティックセグメンテーションの両方で共有機能マップを利用する最初のパノプティクスセグメンテーションフレームワークである。 副産物として、DR1Maskは従来の最先端のインスタンスセグメンテーションネットワークであるBlendMaskよりも10%高速で1ポイント精度が高い。
  論文  参考訳（メタデータ） (2020-11-19T12:42:10Z)
• Mask Encoding for Single Shot Instance Segmentation [97.99956029224622]
  マスクエンコーディングに基づくインスタンスセグメンテーション(MEInst)と呼ばれる単純なシングルショットインスタンスセグメンテーションフレームワークを提案する。 二次元マスクを直接予測する代わりに、MEInstはそれをコンパクトで固定的な表現ベクトルに蒸留する。 よりシンプルでフレキシブルな一段階のインスタンスセグメンテーション手法は、競合性能も達成できることを示す。
  論文  参考訳（メタデータ） (2020-03-26T02:51:17Z)
• PointINS: Point-based Instance Segmentation [117.38579097923052]
  POI(Point-of-Interest)機能によるインスタンスセグメンテーションにおけるマスク表現は、各インスタンスの高次元マスク機能を学ぶには、計算負荷が重いため、難しい。 本稿では、このマスク表現学習タスクを2つの抽出可能なモジュールに分解するインスタンス認識畳み込みを提案する。 インスタンス認識の畳み込みとともに、単純で実用的なインスタンスセグメンテーションアプローチであるPointINSを提案する。
  論文  参考訳（メタデータ） (2020-03-13T08:24:58Z)

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。