論文の概要: DRA-SAM: Disagreement-Driven Referential Active SAM for Low-Altitude Drone Referring Segmentation

• arxiv url: http://arxiv.org/abs/2610.33057v1
• Date: Mon, 19 Oct 2026 08:56:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.231279
• Title: DRA-SAM: Disagreement-Driven Referential Active SAM for Low-Altitude Drone Referring Segmentation
• Title（参考訳）: DRA-SAM:低高度ドローン参照セグメンテーションのための分解駆動型参照アクティブSAM
• Abstract要約: DRA-SAMは、競合する参照仮説と未解決状態に応じて追加の推論パスを割り当てる不一致駆動フレームワークである。 トレーニングフリーのReferential Disagreement LOOKポリシーは、信念に富んだ候補競争と未解決地域カバレッジをバランスさせ、局所的再推論のための作物を選択する。 DRA-SAMはRIS-LADとUAVid-RISの両方で7つのテストメトリクスのうち6つで最先端のパフォーマンスを達成する。
• 参考スコア（独自算出の注目度）: 76.59743855575735
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Referring segmentation in low-altitude drone imagery requires distinguishing small, visually similar instances under complex linguistic and spatial constraints. Global inference may yield multiple plausible masks or leave the intended referent insufficiently represented, motivating selective local re-inference. We propose DRA-SAM, a disagreement-driven framework that allocates an additional inference pass according to competing referential hypotheses and an unresolved state. A lightweight EvidenceScorer estimates beliefs over existing candidates and the unresolved state. A training-free Referential Disagreement LOOK policy balances belief-weighted candidate competition and unresolved-region coverage to select a crop for local re-inference. The same benchmark-adapted SAM3-I backbone processes the selected region, and the resulting evidence updates existing hypotheses and introduces new candidates. Among the compared methods, DRA-SAM achieves state-of-the-art performance on six of seven test metrics on both RIS-LAD and UAVid-RIS, including mIoU and P@0.5-P@0.9, and on all seven RIS-LAD validation metrics. On RIS-LAD, DRA-SAM improves the matched global SAM3-I baseline from 49.55 to 52.34 mIoU and from 46.80 to 58.05 P@0.5. On UAVid-RIS, the independently adapted DRA-SAM achieves 73.26 mIoU and 86.86 P@0.5. Controlled crop-policy comparisons demonstrate the effectiveness of disagreement-guided crop selection, while target-size analysis reveals particularly pronounced gains for aerial targets occupying less than 1% of an image. These results establish referential disagreement as an effective criterion for allocating local inference. Code is available at https://github.com/phy709/DRA-SAM.
• Abstract（参考訳）: 低高度ドローン画像のセグメンテーションを参照するには、複雑な言語的制約と空間的制約の下で、小さく、視覚的に類似したインスタンスを区別する必要がある。 グローバルな推論は、複数のプラウジブルマスクを産み出すか、意図された参照を不十分に表現し、選択的な局所的再推論を動機づける。 我々は、競合する参照仮説と未解決状態に応じて追加の推論パスを割り当てる不一致駆動フレームワークであるDRA-SAMを提案する。 軽量なEvidenceScorerは、既存の候補と未解決状態に対する信念を推定する。 トレーニングフリーのReferential Disagreement LOOKポリシーは、信念に富んだ候補競争と未解決地域カバレッジをバランスさせ、局所的再推論のための作物を選択する。 同じベンチマークに適応したSAM3-Iバックボーンが選択された領域を処理し、その結果のエビデンスによって既存の仮説が更新され、新しい候補が導入される。 比較手法の中で、DRA-SAMは、mIoUやP@0.5-P@0.9を含むRIS-LADとUAVid-RISの2つのテスト指標と、RIS-LADの検証指標の6つについて、最先端のパフォーマンスを達成している。 RIS-LADでは、DRA-SAMは一致したグローバルSAM3-Iベースラインを49.55から52.34 mIoU、46.80から58.05 P@0.5に改善した。 UAVid-RISでは、独立に適応したDRA-SAMは73.26 mIoUと86.86 P@0.5を達成する。 制御された作物・政治比較は、不一致誘導作物選択の有効性を示す一方、ターゲットサイズ分析は、画像の1%未満を占める航空目標に対して特に顕著な利得を示す。 これらの結果は、局所的な推論を割り当てるための効果的な基準として、参照不一致を確立している。 コードはhttps://github.com/phy709/DRA-SAMで入手できる。

関連論文リスト

• Rank-Aware Speculative Sampling for Diffusion Draft Trees [38.431867096651025]
  投機的サンプリングは、目標法則を保ちながら、安価なドラフト状態を並列に検証することで拡散の発生を加速する。 最近のツリーベースの手法では、単一チェーンのドラフトよりも並列計算予算を効果的に割り当てている。 ランクアウェアリスト結合に基づく投機的ドラフトツリーの検証ルールであるランクアウェア投機サンプリング(RASS)を導入する。
  論文  参考訳（メタデータ） (2026-09-30T18:59:32Z)
• Trajectory-Relative Hindsight Distillation for Agentic Reinforcement Learning [22.776663901175663]
  本稿では,一貫したターンアライメントプロトコルを備えたトラジェクトリ相対的ヒンドサイト蒸留フレームワークであるTRIALを紹介する。 各決定ターンに対して、TRIALは、その決定が実現した結果の結果を抽出し、通常および後向きの文脈下で同じ反応を評価する。 WebShopとALFWorldの異なるバックボーンによる実験では、TRIALは、バックボーン、環境、評価指標の8つの組み合わせでGRPOを上回っている。
  論文  参考訳（メタデータ） (2026-08-07T16:12:58Z)
• A-SR: Self-Evolving Agentic LLMs for Symbolic Regression via Hierarchical Coordination [51.06539604709775]
  本稿では、制御ユニットを表現編集からロール条件のエビデンスビューへシフトさせる自己進化型エージェントフレームワークであるA-SRを提案する。 A-SRは、コーディネートプロトコル、オンライン評価器・リワードロールポリシー、および状態制御プロセスメモリ間のルーティングによる公式発見をコーディネートする。
  論文  参考訳（メタデータ） (2026-08-05T14:01:10Z)
• Paired-CSLiDAR: Height-Stratified Registration for Cross-Source Aerial-Ground LiDAR Pose Refinement [46.13526676100776]
  Paired-CSLiDAR(英語版)は、シングルスキャンポーズリファインメントのためのクロスソース空地LiDARベンチマークである。 このベンチマークには6つの評価サイトで12,683組の地上空対が含まれている。 本稿では,RGSR(Residual-Guided Stratified Registration)を提案する。
  論文  参考訳（メタデータ） (2026-05-01T13:14:20Z)
• Adversarial Intent is a Latent Variable: Stateful Trust Inference for Securing Multimodal Agentic RAG [5.4716896485317195]
  マルチモーダルエージェントRAGに対する現在のステートレスディフェンスは、悪意のあるセマンティクスを配布する敵の戦略を検出するのに失敗する。 MMA-RAGTは,MTA (Modular Trust Agent) が管理する推定時制御フレームワークで,ほぼ信頼状態を維持している。
  論文  参考訳（メタデータ） (2026-02-24T23:52:27Z)
• SAM-Aug: Leveraging SAM Priors for Few-Shot Parcel Segmentation in Satellite Time Series [3.4368348203064283]
  そこで本研究では,少数のランドカバーマッピングを改善するためのアノテーション効率のよい新しいフレームワークSAM-Augを提案する。 提案手法は, 時間列から雲のない合成画像を構築し, SAMを教師なしで適用する。 PASTIS-Rベンチマークの実験では5%のラベル付き設定でSAM-Augの有効性と堅牢性を示した。
  論文  参考訳（メタデータ） (2026-01-14T03:18:04Z)
• Selecting Learnable Training Samples is All DETRs Need in Crowded Pedestrian Detection [72.97320260601347]
  混雑した歩行者検出では, サンプル選択法が不適切であるため, DETRの性能は相変わらず不満足である。 制約誘導ラベル割り当てスキーム(CGLA)からなる群集歩行者のサンプル選択を提案する。 実験の結果,提案したSSCPは推論のオーバーヘッドを発生させることなく,ベースラインを効果的に改善することがわかった。
  論文  参考訳（メタデータ） (2023-05-18T08:28:01Z)
• On Efficient and Robust Metrics for RANSAC Hypotheses and 3D Rigid Registration [51.64236850960365]
  本稿では, 高精度な3次元剛性登録を実現するために, RANSAC仮説の効率的かつ堅牢な評価指標の開発に焦点をあてる。 Inlierとoutlierのコントリビューションを分析し、RANSAC仮説の異なる設計モチベーションを持つ、いくつかの効率的で堅牢なメトリクスを提案する。
  論文  参考訳（メタデータ） (2020-11-10T02:22:45Z)

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。