論文の概要: DynOSeg: Dynamic Object Segmentation via Motion-Geometry Fusion

• arxiv url: http://arxiv.org/abs/2611.04452v1
• Date: Tue, 03 Nov 2026 07:42:35 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-09 23:35:14.488283
• Title: DynOSeg: Dynamic Object Segmentation via Motion-Geometry Fusion
• Title（参考訳）: DynOSeg:モーション幾何学融合による動的物体分割
• Abstract要約: 移動オブジェクト(MOS)は、ビデオの静的背景から動的オブジェクトを検出し、分離する。 2段階核融合構造を持つ新しいMOS手法であるDynOSegを提案する。 我々の実験は、DynOSegが発行した最先端のMOS手法よりも一貫して優れていることを示している。
• 参考スコア（独自算出の注目度）: 8.623797062361582
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Moving Object Segmentation (MOS) detects and separates dynamic objects from the static background in a video, which plays a fundamental role in dynamic-scene understanding. Most MOS methods rely on pure visual motion cues alone, such as optical flow or point tracks, which is inherently ambiguous due to the compounded camera and object motions as well as motion-induced appearance changes, e.g. shadows and reflections. Naive fusion of additional information such as depth and semantics, however, cannot leverage their complementarity to the fullest extent. We therefore propose DynOSeg, a novel MOS approach that takes on a two-stage fusion structure. DynOSeg first combines a geometry-aware residual map and depth encoding into a geometric representation of motion, delineating camera motions and object dynamics. We then further incorporate semantic features to refine object understanding. We have additionally curated a diverse training corpus including CARLA-MOS, a new synthetic urban-driving dataset for MOS training. Our experiments show that DynOSeg consistently outperforms published state-of-the-art MOS methods across a diverse range of datasets. Our code and pretrained models can be found at https://github.com/ACFR-RPG/DynOSeg
• Abstract（参考訳）: 移動オブジェクトセグメンテーション(MOS)は、動的なオブジェクトをビデオの静的背景から検出し、分離する。 ほとんどのMOS法は、光学フローやポイントトラックのような純粋な視覚的な動きの手がかりのみに依存しており、これは本質的には、複雑なカメラや物体の動きや、動きによって引き起こされる外観の変化、例えば影や反射によって不明瞭である。 しかし、深度や意味論などの付加的な情報の統合は、それらの相補性を最大限に活用することはできない。 そこで我々は,2段階核融合構造を持つ新しいMOS手法であるDynOSegを提案する。 DynOSegはまず、幾何学的に認識された残差マップと深度エンコーディングを、カメラの動きと物体の運動の幾何学的表現に結合する。 さらにセマンティックな特徴を取り入れて、オブジェクトの理解を洗練します。 我々はまた、MOSトレーニングのための新しい総合都市走行データセットであるCARLA-MOSを含む多様なトレーニングコーパスをキュレートした。 我々の実験は、DynOSegが様々なデータセットで発行された最先端のMOSメソッドを一貫して上回っていることを示している。 我々のコードと事前訓練されたモデルはhttps://github.com/ACFR-RPG/DynOSegで見ることができる。

関連論文リスト

• GMOS: Grounding Moving Object Segmentation in 3D Space and Time [95.3020315930043]
  移動オブジェクト(MOS)は、カメラから独立して動くオブジェクトを発見し、セグメンテーションし、追跡することを目的としている。 本稿では,RGB動画を直接操作し,時間的に細かな複数の移動物体の分割を3D認識するフレームワークGMOSを提案する。 この体制におけるトレーニングと評価を支援するため、オブジェクトごとの時間的動作アノテーションを備えた2,210の現実世界ビデオのデータセットであるGMOS-2Kをキュレートする。
  論文  参考訳（メタデータ） (2026-05-28T17:59:58Z)
• Segment Any Motion in Videos [80.72424676419755]
  本研究では,長距離軌道運動キューとDINOに基づく意味的特徴を組み合わせた移動物体セグメンテーションを提案する。 本モデルでは,動作を優先し,セマンティックサポートを統合しつつ,時空間軌道注意と動き・セマンティック・デカップリング・エンベディングを用いた。
  論文  参考訳（メタデータ） (2025-03-28T09:34:11Z)
• MF-MOS: A Motion-Focused Model for Moving Object Segmentation [10.533968185642415]
  移動オブジェクトセグメンテーション(MOS)は、トラフィック参加者を検出する信頼性の高いソリューションを提供する。 これまでの方法では、レンジ画像から直接動きの特徴をキャプチャする。 We propose MF-MOS, a novel motion- focused model with a dual-branch structure for LiDAR moving object segmentation。
  論文  参考訳（メタデータ） (2024-01-30T13:55:56Z)
• Motion Segmentation from a Moving Monocular Camera [3.115818438802931]
  我々は、点軌跡法と光フロー法という、単眼運動分割手法の2つの一般的な分岐を生かしている。 我々は異なるシーン構造で様々な複雑な物体の動きを同時にモデル化することができる。 提案手法は,KT3DMoSegデータセット上での最先端性能を示す。
  論文  参考訳（メタデータ） (2023-09-24T22:59:05Z)
• Event-Free Moving Object Segmentation from Moving Ego Vehicle [88.33470650615162]
  動的シーンにおけるオブジェクトセグメンテーション(MOS)の移動は、自律運転において重要で困難だが、未調査の研究テーマである。 ほとんどのセグメンテーション法は、光学フローマップから得られるモーションキューを利用する。 我々は,光学的フローに頼らずにリッチなモーションキューを提供する,より優れた映像理解のためのイベントカメラを活用することを提案する。
  論文  参考訳（メタデータ） (2023-04-28T23:43:10Z)
• The Right Spin: Learning Object Motion from Rotation-Compensated Flow Fields [61.664963331203666]
  人間がどのように動く物体を知覚するかは、コンピュータービジョンにおける長年の研究課題である。 この問題の1つのアプローチは、これらすべての効果をモデル化するためのディープネットワークを教えることである。 運動場からカメラの回転を推定する新しい確率モデルを提案する。
  論文  参考訳（メタデータ） (2022-02-28T22:05:09Z)
• DymSLAM:4D Dynamic Scene Reconstruction Based on Geometrical Motion Segmentation [22.444657614883084]
  DymSLAM(ダイムSLAM)は、4D(3D + Time)ダイナミックシーンを剛体移動物体で再構成できる動的ステレオ視覚SLAMシステムである。 提案システムでは,動的物体の障害物回避などの高レベルなタスクにロボットを使用できる。
  論文  参考訳（メタデータ） (2020-03-10T08:25:21Z)

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。