論文の概要: CASE: Concept-Aware Segmentation from Positive and Negative Visual Exemplars

• arxiv url: http://arxiv.org/abs/2610.39396v1
• Date: Thu, 29 Oct 2026 05:31:08 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-02 23:58:00.801241
• Title: CASE: Concept-Aware Segmentation from Positive and Negative Visual Exemplars
• Title（参考訳）: 症例 : 肯定的,否定的な視覚経験からの概念認識の分離
• Abstract要約: ショットセマンティックセグメンテーションは、通常、単一のセマンティッククラスの肯定的なサポート例に基づいてターゲットオブジェクトを識別する。 しかし実際には、肯定的な手がかりだけでは、しばしば不特定である。 この条件下でSAM3を評価し,その強力な正のみの少数ショットセグメンテーション能力にもかかわらず,凍ったSAM3は負の視覚的プロンプトを排他的証拠として常に扱うわけではないことを発見した。
• 参考スコア（独自算出の注目度）: 23.28277367328234
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Few-shot semantic segmentation typically identifies target objects based on positive support examples of a single semantic class. In practice, however, positive cues alone are often underspecified: for instance, "red cars" may be confused with cars of all colors, "vehicles" may include cars that should be excluded, and "material-defined objects" may span multiple categories. Fulfilling precise requests requires positive exemplars to provide inclusion evidence and negative exemplars to act as intent-defining constraints for exclusion and disambiguation. We formulate this setting as Specified Visual Prompt Segmentation (SVPS), where the target concept is specified by both positive and negative visual prompts. In this work, visual exemplars refer to support-image regions specified by bounding-box prompts. To study SVPS, we introduce CASE (Concept-Aware Segmentation from Positive and Negative Visual Exemplars), a benchmark built on COCO and PACO. CASE encompasses six category- and attribute-level task families: exclusion, isolation, union, attribute exclusion, attribute isolation, and attribute union. We evaluate SAM 3 under this setting and find that, despite its powerful positive-only few-shot segmentation capability, frozen SAM 3 does not consistently treat negative visual prompts as exclusion evidence. To address this, we present Concept Prompt Adaptation (CPA), a conservative LoRA-based adaptation baseline that improves positive-negative prompt interpretation on CASE while remaining competitive under positive-only few-shot segmentation. Code is available at https://github.com/WongKinYiu/FSS-CASE.
• Abstract（参考訳）: ショットセマンティックセグメンテーションは、通常、単一のセマンティッククラスの肯定的なサポート例に基づいてターゲットオブジェクトを識別する。 例えば「赤い車」は全ての色の車と混同され、「車」は除外されるべき車を含み、「物質的に定義された物体」は複数のカテゴリーにまたがる。 正確な要求をフルフィルするには、包括的証拠を提供する肯定的な例証と否定的な例証を必要とする。 この設定をSVPS(Specified Visual Prompt Segmentation)として定式化し、ターゲット概念を正と負の両方の視覚的プロンプトで指定する。 本研究では、視覚的見地から、バウンディングボックスプロンプトによって指定されたサポートイメージ領域を参照する。 SVPS(Concept-Aware Segmentation from Positive and Negative Visual Exemplars)は,COCOとPACOをベースとしたベンチマークである。 Caseには6つのカテゴリレベルおよび属性レベルタスクファミリーが含まれている。 この条件下でSAM3を評価し,その強力な正のみの少数ショットセグメンテーション能力にもかかわらず,凍ったSAM3は負の視覚的プロンプトを排他的証拠として常に扱うわけではないことを発見した。 そこで本論文では,CASEに対する肯定的即応的解釈を改善するため,CPA(Concept Prompt Adaptation)を提案する。 コードはhttps://github.com/WongKinYiu/FSS-CASEで入手できる。

関連論文リスト

• AdaCount: Training-Free Similarity-Guided Spatial and Feature Adaptation for Zero-Shot Object Counting [22.69910219820086]
  Zero-shot Object counting (ZOC)は、テキストプロンプトによってのみ指定された任意のオブジェクトカテゴリのインスタンスをカウントすることを目的としている。 最近のトレーニングフリーアプローチではSAMのような基礎モデルを利用して、カウントをプロンプト駆動のセグメンテーションタスクとして再構成している。 類似性誘導空間および特徴適応に基づくZOCのためのトレーニングフリーフレームワークであるAdaCountを提案する。
  論文  参考訳（メタデータ） (2026-07-02T13:16:04Z)
• Evaluating the Interpretability of Sparse Autoencoders with Concept Annotations [12.535445487099393]
  本研究では,SAE潜伏剤と人間注釈概念のアライメントを定量化する人為的評価フレームワークを提案する。 対象属性の摂動によるマッチングを検証する。 我々のフレームワークは、中程度の辞書サイズが最良のトレードオフをもたらし、最も解釈可能なSAEをもたらすことを示唆している。
  論文  参考訳（メタデータ） (2026-06-23T15:39:29Z)
• Few-Shot Semantic Segmentation Meets SAM3 [23.28277367328234]
  Few-Shot Semantic (FSS)は、注釈付きサンプルのごく一部から新しいオブジェクトカテゴリのセグメンテーションに焦点を当てている。 我々は、現代のビジョン基盤モデルの観点からFSSを再考し、Segment Anything Model 3 (SAM3) のトレーニングフリーソリューションとしての可能性を探る。 Promptable Concept (PCS) 機能を再利用することで,サポートとクエリの画像を共有キャンバスに配置するシンプルな空間結合戦略を採用する。
  論文  参考訳（メタデータ） (2026-04-07T04:59:50Z)
• DQE-CIR: Distinctive Query Embeddings through Learnable Attribute Weights and Target Relative Negative Sampling in Composed Image Retrieval [53.482391830683014]
  合成画像検索(CIR)は、参照画像と、意図した変更を特定する修正テキストとを共同で解釈することにより、対象画像を検索するタスクに対処する。 既存のほとんどの手法は、基底の真理像を唯一の正の例として扱い、残りの全ての画像を負の例として扱う対照的な学習フレームワークの上に構築されている。 学習可能な属性重みとターゲットの相対的負サンプリングによるクエリ埋め込みを提案する。
  論文  参考訳（メタデータ） (2026-03-04T13:17:44Z)
• SAM 3: Segment Anything with Concepts [93.97262932669081]
  概念的プロンプトに基づいて画像やビデオ中のオブジェクトを検出し,セグメントを生成し,追跡する統合モデルであるSegment Anything Model(SAM)3を提案する。 PCSはそのようなプロンプトを受け取り、一致するすべてのオブジェクトインスタンスに対してセグメンテーションマスクとIDを返す。 我々のモデルは、画像レベルの検出器と、単一のバックボーンを共有するメモリベースのビデオトラッカーで構成される。
  論文  参考訳（メタデータ） (2025-11-20T18:59:56Z)
• SAM-CP: Marrying SAM with Composable Prompts for Versatile Segmentation [88.80792308991867]
  Segment Anything Model (SAM)は、イメージピクセルをパッチにグループ化する機能を示しているが、セグメンテーションにそれを適用することは依然として大きな課題に直面している。 本稿では,SAM-CPを提案する。SAM-CPはSAM以外の2種類の構成可能なプロンプトを確立し,多目的セグメンテーションのために構成する単純な手法である。 実験により、SAM-CPはオープンドメインとクローズドドメインの両方においてセマンティック、例、およびパノプティックセグメンテーションを達成することが示された。
  論文  参考訳（メタデータ） (2024-07-23T17:47:25Z)
• Negative Prototypes Guided Contrastive Learning for WSOD [8.102080369924911]
  近年,画像レベルのアノテーションのみを持つ弱監視対象検出(WSOD)が注目されている。 本稿では,Native Prototypes Guided Contrastive Learning Architectureを提案する。 提案手法は最先端の性能を実現する。
  論文  参考訳（メタデータ） (2024-06-04T08:16:26Z)
• LLM meets Vision-Language Models for Zero-Shot One-Class Classification [4.094697851983375]
  ゼロショットワンクラス視覚分類の問題を考える。 本稿では、視覚的に混乱するオブジェクトに対して、まず大きな言語モデルをクエリする2段階のソリューションを提案する。 我々は,そのラベルのみを用いて,あるカテゴリと他のセマンティック関連カテゴリを識別する能力を初めて示す。
  論文  参考訳（メタデータ） (2024-03-31T12:48:07Z)
• Reflection Invariance Learning for Few-shot Semantic Segmentation [53.20466630330429]
  Few-shot semantic segmentation (FSS) は、いくつかのアノテーション付きサポートイメージを持つクエリイメージにおいて、目に見えないクラスのオブジェクトをセグメントすることを目的としている。 本稿では,マルチビューマッチング方式でリフレクション不変性をマイニングするための,新しい数ショットセグメンテーションフレームワークを提案する。 PASCAL-$5textiti$とCOCO-$20textiti$データセットの実験は、我々のアプローチの有効性を実証している。
  論文  参考訳（メタデータ） (2023-06-01T15:14:58Z)
• APANet: Adaptive Prototypes Alignment Network for Few-Shot Semantic Segmentation [56.387647750094466]
  Few-shotのセマンティックセマンティックセマンティクスは、指定されたクエリイメージに、ラベル付きサポートイメージのみで、新規クラスのオブジェクトをセグメントすることを目的としている。 ほとんどの高度なソリューションは、各クエリ機能を学習したクラス固有のプロトタイプにマッチさせることでセグメンテーションを実行するメトリクス学習フレームワークを利用している。 本稿では,クラス固有およびクラス非依存のプロトタイプを導入することで,適応型プロトタイプ表現を提案する。
  論文  参考訳（メタデータ） (2021-11-24T04:38:37Z)
• MatchGAN: A Self-Supervised Semi-Supervised Conditional Generative Adversarial Network [51.84251358009803]
  本稿では,条件付き生成逆数ネットワーク(GAN)に対する,半教師付き環境下での自己教師型学習手法を提案する。 利用可能な数少ないラベル付きサンプルのラベル空間から無作為なラベルをサンプリングして拡張を行う。 本手法は,ベースラインのトレーニングに使用したラベル付きサンプルの20%に過ぎません。
  論文  参考訳（メタデータ） (2020-06-11T17:14:55Z)

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。