Компьютерные науки > Компютерное видение и распознавание шаблонов [представлено 19 октября 2026 года] Название: Visual Memory and Textulal control for Cross-Modal Lime-Shose Sсегментation View PDF HTML (экспериментальное) резюме: Few-shot spartmentation (FSS) имеет целью разбивку целевых объектов с ограниченными аннотированными примерами. В рамках недавних исследований были начаты исследования по изучению крупных базовых моделей в целях совершенствования обобщения этой задачи. В частности, SAM 3 обеспечивает мощное визуальное отображение и поддерживает сегментацию текстов. Вместе с тем его эффективность по-прежнему ограничена в специализированных областях, где семантические сигналы и визуальный образ часто плохо гармонизируются. Для решения этой задачи мы предлагаем систему ВИТА-САМ, основанную на SAM 3 и интегрирующую визуальные и текстовые функции посредством межмодельной увязки. В частности, мы создаем модуль визуальной памяти, который кодирует элементы вместе с их соответствующими масками и обеспечивает визуальные наставления для прогнозирования запросов. Параллельно мы используем текстовый кодер SAM 3 для извлечения семантических характеристик в качестве дополнительных приводов. Для того чтобы преодолеть разрыв между семантическими и визуальными изображениями, мы введем модуль межрежимного регулировочного регулирования, который будет определять текстовые характеристики визуального отображения с улучшенной памятью, что позволит получать более последовательные и…
Визуальная память и текстовая увязка для поперечного сегментации с несколькими точками
arXiv: 2610.25641v1 Annuature Type: New Brieflow: Limit- setteration (FSS) имеет целью сегментировать объекты с ограниченными аннотированными примерами. В рамках недавних исследований были начаты исследования по изучению крупных базовых моделей в целях совершенствования обобщения этой задачи. В частности, SAM 3 обеспечивает мощное визуальное отображение и поддерживает сегментацию текстов. Вместе с тем его эффективность по-прежнему ограничена в специализированных областях, где семантические сигналы и визуальный образ часто плохо гармонизируются. Для решения этой задачи мы предлагаем систему ВИТА-САМ, основанную на SAM 3 и интегрирующую визуальные и текстовые функции посредством межмодельной увязки. В частности, мы создаем модуль визуальной памяти, который кодирует элементы вместе с их соответствующими масками и обеспечивает визуальные наставления для прогнозирования запросов. Параллельно мы используем текстовый кодер SAM 3 для извлечения семантических характеристик в качестве дополнительных приводов. Чтобы преодолеть разрыв между семантическим и визуальным представлениями, мы вступаем