論文の概要: Beyond Region Memory: Local Point Tracking for Vocal Cord Localization in Video Laryngoscopy

• arxiv url: http://arxiv.org/abs/2610.38830v1
• Date: Wed, 28 Oct 2026 20:22:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 08:32:13.848269
• Title: Beyond Region Memory: Local Point Tracking for Vocal Cord Localization in Video Laryngoscopy
• Title（参考訳）: 局所記憶を超えて:ビデオ喉頭鏡における声帯局在の局所的追跡
• Abstract要約: 本研究では,単一フレーム検出器,局所点伝搬,無状態マスク改善を組み合わせたロバストなフレームワークを提案する。 提案手法は, 既存のベースラインに対して, 最良mAP_50, 成功AUC, 両データセットの欠落率で高い総合性能を実現する。
• 参考スコア（独自算出の注目度）: 19.614688470901328
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Reliable vocal-cord localization in emergency video laryngoscopy remains visually challenging due to rapid tissue deformation, specular highlights, and instrument occlusions. We propose Local Point Tracking (LPT), a robust framework that combines a single-frame detector, local point propagation, and stateless mask refinement. LPT follows a localize first, snap second pipeline. First, a single-frame semantic detector generates sparse anchors, within which LPT initializes local query points (SAM-supported by default, with a regular grid as fallback). A point-propagation module tracks these points through detector-missed frames and recovers temporal bounding boxes from their geometry. Second, because point-derived boxes can be loose around the visible boundary, a box-snap step refines the selected box to the target boundary. This decomposition keeps temporal state in local point coordinates rather than a stateful mask or whole-region representation, while the spatial refinement module handles single-frame boundary precision without feeding mask errors back into temporal memory. Extensive evaluations on two distinct datasets demonstrate that our proposed LPT method achieves strong overall performance against existing baselines, with the best mAP_50, success AUC, and missing rate on both datasets. Furthermore, ablation studies confirm that point tracking primarily enhances temporal tracking robustness, while box-snap refinement effectively improves boundary tightness.
• Abstract（参考訳）: 緊急ビデオ喉頭鏡における声帯の信頼性は, 急激な組織変形, 特異なハイライト, 計器的閉塞により, 視力的に困難である。 本研究では,単一フレーム検出器,局所点伝搬,ステートレスマスク改良を組み合わせたロバストなフレームワークであるLocal Point Tracking (LPT)を提案する。 LPTは、第1、第2のパイプラインをローカライズする。 まず、単一フレームセマンティック検出器がスパースアンカーを生成し、LPTはローカルクエリポイントを初期化する(SAMがデフォルトでサポートされ、通常のグリッドがフォールバックとして使用される)。 点伝播モジュールは、検出不能なフレームを通してこれらの点を追跡し、その幾何学から時間的境界ボックスを復元する。 第2に、点由来のボックスを可視境界付近でゆるめることができるので、ボックススナップステップは選択したボックスを目標境界まで洗練する。 この分解は、ステートフルマスクや全領域表現ではなく、局所的な点座標における時間状態を保持する一方、空間精製モジュールは、マスクエラーを時間記憶に戻すことなく、単一フレーム境界精度を処理する。 2つの異なるデータセットに対する広範囲な評価は、提案手法が既存のベースラインに対して、最高のmAP_50、成功AUC、両方のデータセットでの欠落率で高い総合的な性能を達成することを示す。 さらに, 点追跡が時間的追跡の堅牢性を高めるのに対して, ボックス・スナップの精細化は境界の締まりを効果的に改善することを示す。

関連論文リスト

• SSMB: Self-Supervised Local Feature Detection under Motion Blur [48.57970299584709]
  動きブル画像のためのデブルーフリーで自己監督型キーポイント検出器であるSSMBを提案する。 LDEモジュールは、グローバルな特徴混合後のきめ細かい局所的な識別性を復元する。
  論文  参考訳（メタデータ） (2026-08-27T14:28:19Z)
• One Patch Is Enough: Reinforcement-Optimized Visual Token Grounding for MLLM-Based Scene Text Spotting [51.09550363815034]
  シーンテキストスポッティングはテキスト認識と空間的局所化の間に高精度なアライメントを必要とする。 本研究では,個々のテキストインスタンスを単一のアンカー視覚トークンでルーティングする視覚中心のフレームワークであるSingle-Patch Text Spotting (SPaTS)を提案する。 SPaTS はフロンティアのクローズドソースMLLM と OCR MLLM の両方で一貫した性能を示し,その性能を著しく向上させる。
  論文  参考訳（メタデータ） (2026-07-30T09:17:48Z)
• Efficient Spatio-Temporal Grounding with Multimodal Large Models via Second-Level Tracking and RL Verification [11.171207895220578]
  長いビデオの時間的接地には、正確な時間的局所化と、自然言語クエリで条件付けられた頑健なオブジェクト追跡が必要である。 本稿では,フレームレベルから第2レベルのトラッキングへ移行し,シーケンス長を低減しつつ連続性を保ちながら秒間アノテーションを実行する実用的なパイプラインを提案する。
  論文  参考訳（メタデータ） (2026-06-27T17:42:32Z)
• QueST: Persistent Queries as Semantic Monitors for Drift Suppression in Long-Horizon Tracking [2.064813317204182]
  QueSTは、インタラクション関連エンティティを永続的なセマンティッククエリとして扱う、モニタリング・バイ・デザインのフレームワークである。 ローカルなプロパゲーションの代わりに、各クエリは、各ステップ毎のグローバルなオーバータイムビデオ機能に出席する。 QueSTは67.7%の絶対点誤差(APE)を達成するための終端ドリフトを大幅に削減する 以上の結果から, セマンティックモニタリングを直接知覚に組み込むことにより, より信頼性の高い長距離追跡が可能であることが示唆された。
  論文  参考訳（メタデータ） (2026-05-10T12:48:01Z)
• Point-to-Mask: From Arbitrary Point Annotations to Mask-Level Infrared Small Target Detection [11.256548408562894]
  Point-to-Maskは低コストのポイント監視とマスクレベルの検出をブリッジするフレームワークである。 提案手法は,強い擬似ラベル品質,高い検出精度,効率的な推論を実現する。
  論文  参考訳（メタデータ） (2026-03-17T08:44:05Z)
• A Dual-Branch Framework for Semantic Change Detection with Boundary and Temporal Awareness [8.202209362704494]
  ANetと呼ばれる境界と時間認識による意味的変化検出のためのデュアルブランチフレームワークを提案する。 ANetはグローバルなセマンティクス、局所的な詳細、時間的推論、境界認識を統合し、最先端のパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2026-02-12T00:54:22Z)
• Lightweight Transformer Framework for Weakly Supervised Semantic Segmentation [0.45880283710344055]
  弱い教師付きセマンティックセマンティックセグメンテーション(WSSS)は、ノイズの多い未特定の手がかりから密集したマスクを学習しなければならない。 3つの小さな相乗的変化は、MiTバックボーンを変更することなく、弱い監督を著しく効果的にすることを示した。 提案手法であるCrispFormerは,(1)軽量エッジヘッドと境界認識損失を用いて細い物体の輪郭を監督する境界分岐,(2)画素ごとの不確かさを予測し,重み付けとセグメント化ログの残差補正に使用する不確実性誘導型精細化器,(3)静的結合を置き換える動的マルチスケール融合層をデコーダに拡張する。
  論文  参考訳（メタデータ） (2025-11-24T22:40:57Z)
• Background Activation Suppression for Weakly Supervised Object Localization and Semantic Segmentation [84.62067728093358]
  弱教師付きオブジェクトローカライゼーションとセマンティックセグメンテーションは、画像レベルのラベルのみを使用してオブジェクトをローカライズすることを目的としている。 画素レベルのローカライゼーションを実現するために,フォアグラウンド予測マップを生成することで,新たなパラダイムが誕生した。 本稿では,物体の局在化学習過程に関する2つの驚くべき実験結果を示す。
  論文  参考訳（メタデータ） (2023-09-22T15:44:10Z)
• Rethinking the Localization in Weakly Supervised Object Localization [51.29084037301646]
  弱教師付きオブジェクトローカライゼーション(WSOL)は、コンピュータビジョンにおいて最も人気があり、困難なタスクの1つである。 最近、WSOLを2つの部分(クラスに依存しないオブジェクトのローカライゼーションとオブジェクトの分類)に分割することが、このタスクの最先端のパイプラインになっている。 本研究では,SCRを複数物体の局所化のためのバイナリクラス検出器(BCD)に置き換えることを提案する。
  論文  参考訳（メタデータ） (2023-08-11T14:38:51Z)
• Learning Spatio-Appearance Memory Network for High-Performance Visual Tracking [79.80401607146987]
  既存のオブジェクトトラッキングは通常、フレーム間の視覚的ターゲットにマッチするバウンディングボックスベースのテンプレートを学習する。 本稿では,局所時間メモリネットワークを備え,正確な時空間対応を学習するセグメンテーションに基づくトラッキングアーキテクチャを提案する。
  論文  参考訳（メタデータ） (2020-09-21T08:12:02Z)
• Towards Accurate Pixel-wise Object Tracking by Attention Retrieval [50.06436600343181]
  本稿では,バックボーンの特徴に対するソフト空間制約を実現するために,アテンション検索ネットワーク(ARN)を提案する。 私たちは40fpsで動作しながら、最近のピクセルワイドオブジェクトトラッキングベンチマークであるVOT 2020に最先端のベンチマークを新たに設定しました。
  論文  参考訳（メタデータ） (2020-08-06T16:25:23Z)

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。