論文の概要: Object-Only Is Not Context-Free: A Counterfactual Diagnostic for Context Removal in Object Retrieval

• arxiv url: http://arxiv.org/abs/2611.01962v1
• Date: Sun, 01 Nov 2026 14:57:32 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-11-03 19:57:06.487556
• Title: Object-Only Is Not Context-Free: A Counterfactual Diagnostic for Context Removal in Object Retrieval
• Title（参考訳）: Object-Onlyはコンテキストフリーではない:オブジェクト検索におけるコンテキスト除去のための非現実的診断
• Abstract要約: キーホール開口プローブ(英: Keyhole Aperture Probe, KAP)は、既存の汎視的セグメンテーション(COCO, ADE20K)の接地トラスマスクを再利用する対物診断法である。 プールされたオブジェクト領域を固定し、外部のピクセルだけを変更し、バックボーンのコンテキスト依存を1つの数値で要約する。 プールされたオブジェクト領域は、既にそのサラウンドを統合していることがわかった。コンテキストを中立なフィリングや、あるいは異なる実シーンで置き換え、記述子を変更し、検索が空白のフィリングで失敗すると、記述子は、自身のオブジェクトではなく、プレーンな背景画像にマッチする。
• 参考スコア（独自算出の注目度）: 16.43629306994231
• License:
• Abstract: Object-centric retrieval pipelines often mask the background before pooling backbone features, aiming for a descriptor that reflects the object rather than its scene. Whether this truly yields an object-only descriptor, however, is rarely tested. We introduce the Keyhole Aperture Probe (KAP), a counterfactual diagnostic that repurposes the ground-truth masks of existing panoptic segmentation datasets (COCO, ADE20K) for retrieval: it holds the pooled object region fixed and varies only the pixels outside it, summarizing a backbone's context dependence in a single number. We find that the pooled object region has already integrated its surround. Replacing the context, with a neutral fill or even a different real scene, changes the descriptor, and when retrieval fails under a blank fill, the descriptor matches plain-background images rather than its own object. Object-only is not context-free. Across ten modern backbones, object-only descriptors retain only about a quarter to two-thirds of their full-image accuracy, and the effect is not unique to Transformer self-attention: a convolutional backbone shows it too. The dependence is also reducible: a lightweight adapter that encourages the descriptor to stay stable as context is removed lowers it and improves full-image instance retrieval on INSTRE, transferring to ILIAS with accuracy improved or preserved. A matched contrastive-fine-tuning control does not reproduce those gains. We release KAP as a simple, backbone-agnostic evaluation protocol to measure and reduce this dependence before deployment.
• Abstract（参考訳）: オブジェクト中心の検索パイプラインは、バックボーン機能をプールする前に、しばしば背景を隠蔽し、そのシーンではなくオブジェクトを反映するディスクリプタを目指している。 しかし、これがオブジェクトのみのディスクリプタをもたらすかどうかは、ほとんどテストされない。 我々は,既存の汎視的セグメンテーションデータセット (COCO, ADE20K) の基底トラストマスクを検索に活用する,反ファクト診断であるKeyhole Aperture Probe (KAP) を紹介した。 プールされた物体領域は、その周囲をすでに統合していることがわかった。 コンテキストを中性的なフィリングや異なる実シーンでリプレースすると、ディスクリプタが変更され、検索が空白のフィリングで失敗すると、ディスクリプタは自身のオブジェクトではなく、プレーンなバックグランドイメージにマッチする。 オブジェクトのみはコンテキストフリーではない。 現代の10個のバックボーンで、オブジェクトのみのディスクリプタはフルイメージの精度の4分の1から3程度しか保持せず、この効果はTransformerの自己認識に特有のものではない。 コンテクストが削除されるにつれて、ディスクリプタが安定し続けることを奨励し、INSTREのフルイメージインスタンス検索を改善し、精度を向上または保存したILIASに転送する軽量アダプタ。 一致した対照的な微調整制御は、それらの利得を再現しない。 我々は、KAPを単純なバックボーンに依存しない評価プロトコルとしてリリースし、デプロイ前の依存関係を測定し、削減します。

関連論文リスト

• ENEAS: Embedding-guided Neural Ensemble for Adaptive Segmentation [36.94429692322632]
  本研究では,インスタンス追跡と意味発見のためのテキストプロンプタブルなENEASを提案する。 我々は、以前は点間相互作用に限られていた幾何学的に堅牢なSeCアーキテクチャをテキストプロンプトアダプタで拡張する。 検証層は、条件付きVLM精製と高速な視覚埋め込みマッチングを組み合わせ、曖昧な候補に対してのみ意味推論を誘発する。
  論文  参考訳（メタデータ） (2026-09-03T12:25:26Z)
• EditCLEVR: A Paired-Scene Intervention Benchmark for Compositional Faithfulness of Object-Centric Representations [0.0]
  対象中心学習のためのペア・シーン介入ベンチマークであるEditCLEVRを紹介する。 それぞれの例には、同じオブジェクトインデックスとシーンレイアウトを持つ、前/後対のレンダリングが含まれている。 これには、既知の1つのオブジェクトに対する、正確に1つの既知の変更属性と、ドリフト測定のためのno-edit re-renderが含まれる。
  論文  参考訳（メタデータ） (2026-07-19T16:11:43Z)
• Improving Object Detection via Local-global Contrastive Learning [27.660633883387753]
  本稿では,クロスドメインオブジェクト検出を対象とする画像から画像への変換手法を提案する。 ローカル・グローバル情報と対比することでオブジェクトを表現することを学ぶ。 これにより、ドメインシフトの下で、パフォーマンス検出(Performant detection)の取得という、未調査の課題の調査が可能になる。
  論文  参考訳（メタデータ） (2024-10-07T14:18:32Z)
• Object-Centric Multiple Object Tracking [124.30650395969126]
  本稿では,多目的追跡パイプラインのためのビデオオブジェクト中心モデルを提案する。 オブジェクト中心のスロットを検出出力に適応するインデックスマージモジュールと、オブジェクトメモリモジュールで構成される。 オブジェクト中心学習に特化して、オブジェクトのローカライゼーションと機能バインディングのためのスパース検出ラベルしか必要としない。
  論文  参考訳（メタデータ） (2023-09-01T03:34:12Z)
• 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)
• ComplETR: Reducing the cost of annotations for object detection in dense scenes with vision transformers [73.29057814695459]
  ComplETRは、部分的にアノテートされた高密度なシーンデータセットで欠落したアノテーションを明示的に補完するように設計されている。 これにより、シーン内のすべてのオブジェクトインスタンスに注釈を付ける必要がなくなり、アノテーションのコストが削減される。 本稿では, 高速R-CNN, カスケードR-CNN, CenterNet2, Deformable DETRなどの人気検出器の性能向上を示す。
  論文  参考訳（メタデータ） (2022-09-13T00:11:16Z)
• Self-Supervised Video Object Segmentation via Cutout Prediction and Tagging [117.73967303377381]
  本稿では, 自己教師型ビデオオブジェクト(VOS)アプローチを提案する。 本手法は,対象情報と背景情報の両方を考慮した識別学習損失の定式化に基づく。 提案手法であるCT-VOSは, DAVIS-2017 と Youtube-VOS の2つの挑戦的なベンチマークにおいて,最先端の結果を達成している。
  論文  参考訳（メタデータ） (2022-04-22T17:53:27Z)
• Discovering Objects that Can Move [55.743225595012966]
  手動ラベルなしでオブジェクトを背景から分離する、オブジェクト発見の問題について検討する。 既存のアプローチでは、色、テクスチャ、位置などの外観の手がかりを使用して、ピクセルをオブジェクトのような領域に分類する。 私たちは、動的オブジェクト -- 世界で独立して動くエンティティ -- にフォーカスすることを選びます。
  論文  参考訳（メタデータ） (2022-03-18T21:13:56Z)
• Unsupervised Part Discovery via Feature Alignment [15.67978793872039]
  我々はニューラルネットワークの特徴がニュアンス変数にほとんど不変であるという特性を利用する。 対応する特徴写像のアフィンアライメントを通して、同じポーズで同じオブジェクトカテゴリのインスタンスを示す類似した画像のセットを見つける。 推論中は、部品検出はシンプルで高速で、フィードフォワードニューラルネットワーク以外の追加モジュールやオーバーヘッドは不要である。
  論文  参考訳（メタデータ） (2020-12-01T07:25:00Z)

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。