論文の概要: SAGE: Saliency-Annealed Gated Encoder for Universal Vision Recognition

• arxiv url: http://arxiv.org/abs/2610.36719v1
• Date: Tue, 27 Oct 2026 06:34:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-29 04:15:49.238752
• Title: SAGE: Saliency-Annealed Gated Encoder for Universal Vision Recognition
• Title（参考訳）: SAGE:Universal Vision RecognitionのためのSalliency-Annealed Gated Encoder
• Abstract要約: SAGE(Saliency-Annealed Gated)は、自己監督型視覚変換器を高密度な予測に適応するためのフレームワークである。 それは、その表現にエンコードされたリッチな事前情報、例えば、サリエンシ、グローバルコンテキスト、高周波詳細を利用する。 これはHuawei Ascend NPUにおけるマルチタスクの最先端結果を実現する最初のフレームワークである。
• 参考スコア（独自算出の注目度）: 22.214255676545704
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: When adapting self-supervised Vision Transformers (ViTs) to dense prediction, existing methods often treat the ViT as a passive feature extractor and may underuse the rich priors encoded in its representations, including saliency, global context, and high-frequency details. We propose SAGE (Saliency-Annealed Gated Encoder), an enhanced ViT-Adapter backbone that explicitly exploits these priors through three complementary innovations: (1) a saliency-guided architecture that extracts DINO-style class-token (CLS) saliency to guide feature gating and high-frequency enhancement, together with dynamic multi-layer aggregation and a local-detail branch; (2) an annealing-based training paradigm designed to improve convergence and feature quality during early training while reducing feature drift later in training; and (3) a two-stage, quality-aware training mechanism that smoothly transitions from focal loss to Varifocal Loss (VFL) within a single training run. Across the evaluated tasks (Fig.~\ref{fig:fig_com}), SAGE achieves state-of-the-art (SOTA) or competitive results on COCO (62.8 box AP and 55.3 mask AP), COCO keypoint estimation (78.5 AP), ADE20K (60.3 mIoU for semantic segmentation and 44.9 mask AP for instance segmentation), TinyImageNet classification (94.76\% Top-1 accuracy), and DIOR-R oriented object detection (78.8 AP$_{50}$). The same backbone is used across tasks, with task-specific decoders. To the best of our knowledge, SAGE is the first framework to achieve multi-task state-of-the-art results on Huawei Ascend NPUs. Code and pretrained models will be released after internal review.
• Abstract（参考訳）: 自己監督型視覚変換器(ViT)を高密度な予測に適応させる場合、既存の手法はViTを受動的特徴抽出器として扱うことが多く、その表現に符号化された豊富な先入観を過小評価することがある。 SAGE(Saliency-Annealed Gated Encoder)は,(1)DINOスタイルのクラストケン(CLS)サリエンシを抽出して特徴ゲーティングと高周波数強調を誘導するサリエンシ誘導型アーキテクチャ,(2)早期トレーニング時の収束性と特徴品質の向上を図ったアニーリングベーストレーニングパラダイム,(3)焦点損失からVarifocal Loss(VFL)への移行を1回のトレーニングで円滑に行う2段階の品質学習メカニズムを提案する。 評価されたタスク全体(図)。 ~\ref{fig:fig_com}), SAGE は COCO (62.8 box AP and 55.3 mask AP), COCOkeypoint Estimation (78.5 AP), ADE20K (60.3 mIoU for semantic segmentation), ADE20K (44.9 mask AP for instance segmentation), TinyImageNet classification (94.76\% Top-1 accuracy), DIOR-R 指向オブジェクト検出 (78.8 AP$_{50}$) で最先端(SOTA)または競合結果を達成する。 同じバックボーンがタスクにまたがって使用され、タスク固有のデコーダが使用される。 我々の知る限り、SAGEはHuawei Ascend NPUにおけるマルチタスクの最先端の成果を達成するための最初のフレームワークです。 コードおよび事前訓練されたモデルは、内部レビュー後にリリースされる。

関連論文リスト

• COVTrack++: Learning Open-Vocabulary Multi-Object Tracking from Continuous Videos via a Synergistic Paradigm [59.26203051651017]
  C-TAOはOpen-Vocabulary Multi-Object Tracking (OVMOT)のための最初の連続アノテーション付きトレーニングセットである フレームワークボトルネックに対するCOVTrack++は,3つのモジュールによる検出とアソシエーションの双方向相互機構を実現するための相乗的フレームワークである。 TAOの実験では、新しいTAAは検証とテストセットで35.4%、30.5%に達し、新しいAssocAは4.8%、新しいLocAは5.8%向上した。
  論文  参考訳（メタデータ） (2026-03-25T07:20:27Z)
• V-JEPA 2.1: Unlocking Dense Features in Video Self-Supervised Learning [46.89986408533846]
  V-JEPA 2.1は、画像とビデオの両方の濃密で高品質な視覚表現を学習する自己教師型モデルのファミリーである。 V-JEPA 2.1は、密集した視覚的理解と世界モデリングにおける最先端の進歩を示す。
  論文  参考訳（メタデータ） (2026-03-15T17:02:40Z)
• Prototype Augmented Hypernetworks for Continual Learning [29.852993223824747]
  連続学習(CL)は、先行知識を忘れずに一連のタスクを学習することを目的としているが、新しいタスクの更新は、しばしば以前に学んだ重みを上書きし、破滅的な忘れ(CF)を引き起こす。 本稿では,学習可能なタスクプロトタイプを前提とした単一ハイパーネットワークフレームワークであるPrototype-Augmented Hypernetworks (PAH)を提案する。 我々は,PAHが最先端性能を達成し,試料や頭部を保存せずに,それぞれ1.7%,4.4%の精度で74.5%,63.7%の精度を達成できることを実証した。
  論文  参考訳（メタデータ） (2025-05-12T11:25:54Z)
• ALOcc: Adaptive Lifting-Based 3D Semantic Occupancy and Cost Volume-Based Flow Predictions [91.55655961014027]
  シーン理解には3次元セマンティック占有とフロー予測が不可欠である。 本稿では,3つの改善点を目標とした視覚ベースのフレームワークを提案する。 我々の純粋な畳み込みアーキテクチャは、セマンティック占有率とジョイントセマンティックフロー予測の両方のために、複数のベンチマーク上で新しいSOTA性能を確立する。
  論文  参考訳（メタデータ） (2024-11-12T11:32:56Z)
• Efficient Adaptive Human-Object Interaction Detection with Concept-guided Memory [64.11870454160614]
  概念誘導メモリ(ADA-CM)を用いた適応型HOI検出器を提案する。 ADA-CMには2つの操作モードがある。最初のモードでは、トレーニング不要のパラダイムで新しいパラメータを学習することなくチューニングできる。 提案手法は, HICO-DET と V-COCO のデータセットに対して, より少ないトレーニング時間で, 最新技術による競合的な結果を得る。
  論文  参考訳（メタデータ） (2023-09-07T13:10:06Z)
• Class Anchor Margin Loss for Content-Based Image Retrieval [97.81742911657497]
  距離学習パラダイムに該当する新しいレペラ・トラクタ損失を提案するが、ペアを生成する必要がなく、直接L2メトリックに最適化する。 CBIRタスクにおいて,畳み込みアーキテクチャと変圧器アーキテクチャの両方を用いて,少数ショットおよびフルセットトレーニングの文脈で提案した目的を評価する。
  論文  参考訳（メタデータ） (2023-06-01T12:53:10Z)
• UniFormer: Unifying Convolution and Self-attention for Visual Recognition [69.68907941116127]
  畳み込みニューラルネットワーク(CNN)とビジョントランスフォーマー(ViT)は、ここ数年で主要なフレームワークである。 コンボリューションと自己注意の利点を簡潔なトランスフォーマー形式にシームレスに統合する新しいUnified TransFormer(UniFormer)を提案する。 我々のUniFormerはImageNet-1K分類において86.3トップ1の精度を実現している。
  論文  参考訳（メタデータ） (2022-01-24T04:39:39Z)

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。