論文の概要: SL-Ground: Sentence-Level Grounding for Fine-Grained Open-Vocabulary Object Detection

• arxiv url: http://arxiv.org/abs/2610.24814v1
• Date: Sat, 17 Oct 2026 18:40:56 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-22 16:04:43.838537
• Title: SL-Ground: Sentence-Level Grounding for Fine-Grained Open-Vocabulary Object Detection
• Title（参考訳）: SL-Ground:細粒度開語彙物体検出のための文レベルグラウンド
• Abstract要約: 文レベルの接頭辞をベースとしたオープン語彙検出のための文レベルの接頭辞改革であるSL-Groundを提案する。 SL-Groundは、断片化されたトークンエビデンスに対してクエリをスコアリングする代わりに、各カテゴリ記述を完全な文レベルの表現としてエンコードする。
• 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: Grounding-based open-vocabulary detectors provide a widely used framework for text-conditioned localization, with a phrase-grounding formulation that aligns object queries to individual text tokens and recovers class scores through token-to-class aggregation. We observe that this token-level scoring design becomes a bottleneck for fine-grained open-vocabulary object detection, where the target category is defined by a complete compositional description rather than by isolated tokens. Based on this observation, we propose SL-Ground, a sentence-level grounding reformulation for grounding-based open-vocabulary detection. Instead of scoring queries against fragmented token evidence, SL-Ground encodes each category description as a complete sentence-level representation and directly scores object queries against these representations. To evaluate fine-grained recognition across label granularity, we construct a multi-granularity Stanford Cars benchmark spanning vehicle type, brand, and car model. At the finest car-model granularity, SL-Ground raises AP over the token-level variant from 14.5 to 70.6 under matched training candidate sampling and to 86.0 with full-vocabulary training, while better preserving open-vocabulary capability and avoiding repeated prompt chunking. Beyond Stanford Cars, SL-Ground also improves FG-OVD performance, achieving the best average AP among compared methods. These results show that sentence-level grounding provides a more suitable scoring unit for fine-grained OVOD and offers a practical path toward fine-grained grounding-based open-vocabulary detectors.
• Abstract（参考訳）: 接地型オープン語彙検出装置は,個々のテキストトークンにオブジェクトクエリをアライメントし,トークン・ツー・クラスアグリゲーションを通じてクラススコアを復元する,句接地定式化によって,テキスト条件のローカライゼーションのための広く使用されているフレームワークを提供する。 我々は,このトークンレベルのスコアリング設計が,単一トークンではなく,完全な構成記述によって対象カテゴリが定義されるような,粒度の高いオープンボキャブラリオブジェクト検出のボトルネックとなることを観察した。 そこで本研究では,接頭辞に基づく接頭辞検出のための文レベルの接頭辞改革であるSL-Groundを提案する。 SL-Groundは、断片化されたトークンエビデンスに対してクエリをスコアする代わりに、各カテゴリ記述を完全な文レベルの表現としてエンコードし、これらの表現に対してオブジェクトクエリを直接スコアする。 ラベルの粒度にまたがる微粒化認識を評価するため,車種,ブランド,自動車モデルにまたがる多粒度Stanford Carsベンチマークを構築した。 最高のカーモデルの粒度では、SL-Groundは14.5から70.6まで、マッチしたトレーニング候補のサンプリングではAPを14.5から70.6に引き上げ、フルボキャブラリのトレーニングでは86.0に引き上げ、オープンボキャブラリの能力は向上し、繰り返しのチャンクを避ける。 スタンフォード・カーズ以外では、SL-GroundはFG-OVDの性能も向上し、比較手法の中では最高の平均APを達成している。 これらの結果から, 文レベルの接地により, より粒度の高いOVODの採点ユニットが得られ, より粒度の高い接地型開語彙検出器への実践的な道筋が得られた。

関連論文リスト

• C-GAP: Class-Aware and Online Prompting Improves Vision-Language Models on Imbalanced Classes [0.0]
  本稿では,C-GAPキャプションガイドによる拡張とプロンプティングについて紹介する。 C-GAPは、マイノリティクラスの平均精度をベースラインよりも最大53%向上させる。 COCOでは、C-GAPはコンポジットベースライン(17.69-> 32.09)に比べて、マイノリティクラスAP@0.5を81%改善する
  論文  参考訳（メタデータ） (2026-07-10T00:24:41Z)
• GUIDED: Granular Understanding via Identification, Detection, and Discrimination for Fine-Grained Open-Vocabulary Object Detection [54.19989440021701]
  細粒度オープン語彙オブジェクト検出(FG-OVD)は属性リッチテキストで記述された新しいオブジェクトカテゴリを検出することを目的としている。 FG-OVDは、非絡み合いモデリングとモジュラー最適化の利点を実証し、新しい最先端の結果を達成する。
  論文  参考訳（メタデータ） (2026-03-27T22:08:11Z)
• Segment Any Events with Language [68.05185562243356]
  これは、Open-Vocabulary Event Instance (OV-EIS)に対処する最初のセマンティック対応のAny Eventsフレームワークです。 視覚的プロンプトを前提として,本モデルでは,セグメンテーションイベントとオープンボキャブラリマスクの分類を,複数レベルの粒度でサポートする統一フレームワークを提案する。 我々のSEALは、パラメータ効率のよいアーキテクチャで性能と推論速度の点で提案されたベースラインよりも大きく優れています。
  論文  参考訳（メタデータ） (2026-01-30T16:42:56Z)
• SPARC: Score Prompting and Adaptive Fusion for Zero-Shot Multi-Label Recognition in Vision-Language Models [74.40683913645731]
  Zero-shot Multi-label Recognition (MLR) with Vision-Language Models (VLMs) は、トレーニングデータ、モデルチューニング、アーキテクチャの変更なしに重要な課題に直面している。 我々の研究は、VLMをブラックボックスとして扱い、トレーニングデータや地上の真実を使わずにスコアを活用する新しいソリューションを提案する。 これらのプロンプトスコアの分析により、VLMバイアスとAND'/OR信号の曖昧さが明らかになり、特に、最高スコアは2番目に高いスコアに比べて驚くほど低い。
  論文  参考訳（メタデータ） (2025-02-24T07:15:05Z)
• SHiNe: Semantic Hierarchy Nexus for Open-vocabulary Object Detection [31.464227593768324]
  本稿ではセマンティック階層Nexus(SHiNe)について紹介する。 SHiNeは様々な語彙の粒度をまたいだ堅牢性を高め、+31.9%のmAP50と基底的真理階層を達成している。 SHiNeは無訓練で、市販のOvOD検出器とシームレスに統合できる。
  論文  参考訳（メタデータ） (2024-05-16T12:42:06Z)
• The devil is in the fine-grained details: Evaluating open-vocabulary object detectors for fine-grained understanding [8.448399308205266]
  本研究では,動的語彙生成に基づく評価プロトコルを導入し,モデルがオブジェクトに対して正確な粒度記述を検出し,識別し,割り当てるかどうかを検証する。 提案プロトコルを用いて,最先端のオープンボキャブラリオブジェクト検出器を複数評価することにより,研究をさらに強化する。
  論文  参考訳（メタデータ） (2023-11-29T10:40:52Z)
• EdaDet: Open-Vocabulary Object Detection Using Early Dense Alignment [28.983503845298824]
  本稿では,一般化可能な局所意味論とオブジェクトレベルの予測とのギャップを埋めるために,早期Dense Alignment (EDA)を提案する。 EDAでは、局所的なきめ細かなセマンティクスを維持するために、オブジェクトレベルのアライメントではなく、オブジェクトレベルのインシデントを学習するためにオブジェクトレベルのインシデントを使用します。
  論文  参考訳（メタデータ） (2023-09-03T12:04:14Z)
• Context-aware Fine-tuning of Self-supervised Speech Models [56.95389222319555]
  微調整におけるコンテキスト,すなわち周辺セグメントの使用について検討する。 我々はコンテキスト認識ファインチューニングと呼ばれる新しいアプローチを提案する。 いくつかの下流タスクに対して,SLUE と Libri-light ベンチマークを用いて提案手法の評価を行った。
  論文  参考訳（メタデータ） (2022-12-16T15:46:15Z)
• Sentiment-Aware Word and Sentence Level Pre-training for Sentiment Analysis [64.70116276295609]
  SentiWSPは、WordレベルとSentenceレベルの事前トレーニングタスクを組み合わせた、Sentiment対応の事前トレーニング言語モデルである。 SentiWSPは、様々な文レベルおよびアスペクトレベルの感情分類ベンチマーク上で、最先端のパフォーマンスを新たに達成する。
  論文  参考訳（メタデータ） (2022-10-18T12:25:29Z)

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。