セグメンテーション2026/8/26arXiv:2608.25435

UAV画像の雑然シーンにおける通信鉄塔部品のゼロショットセグメンテーションのための顕著性-深度条件付け

Saliency-Depth Conditioning for Zero-Shot Segmentation of Communication-Tower Components in Cluttered UAV Imagery

UAV画像中の通信鉄塔部品を、顕著性と深度情報を用いて粗い塔の事前情報を構築し、Grounded-SAMやSAM 3と組み合わせることで、ゼロショットで高精度にセグメンテーションする手法を提案した。

詳しい要約

1. どんなもの？

UAV画像における通信鉄塔部品の細粒度セグメンテーションを目的とし、cluttered scenesでのゼロショットセグメンテーションモデルの性能を向上させる、モデル非依存のsaliency-depth foreground-conditioning戦略を提案。外観ベースのsaliencyとmonocular relative depthを組み合わせて粗い塔のpriorを構築し、無関係な背景を抑制する。このモジュールをGrounded-SAMとSAM 3に統合し、SD-Grounded-SAMとSD-SAM 3を構築。

2. 先行研究と比べてどこがすごい？

従来のタスク特化モデルは限られたインスタンスレベルのアノテーションに依存し開発が困難。ゼロショットモデルは有望だが、cluttered scenesでは視覚的に類似した背景構造が干渉し、見逃しや誤検出が生じる。提案手法はsaliencyとdepthを組み合わせた条件付けにより、この問題を軽減し、モデル非依存で既存のゼロショットモデルに統合可能な点が新しい。

3. 技術・手法の肝は？

手法の肝は、saliencyとmonocular relative depthを組み合わせて粗い塔のpriorを構築し、無関係なコンテンツを抑制するforeground-conditioning戦略。SD-Grounded-SAMでは、マスク生成前に幾何学的およびdepth-awareなbox refinementを適用。SD-SAM 3はSAM 3の内部設定に依存。

4. どうやって有効だと検証した？

TOW-300データセット（通信鉄塔UAV画像340枚）で評価。SD-SAM 3は最強のインスタンスセグメンテーション性能を達成し、SD-Grounded-SAMは誤検出が少ない。アブレーション研究により、saliency、depth、box refinementの相補的な利点を確認し、cluttered scenesでのロバスト性が向上。

5. 議論はある？

要旨からは、提案手法の限界や他のデータセットへの一般化、計算コスト、実時間性能などについての議論は不明。また、saliencyとdepthの組み合わせが常に有効かどうか、特定の条件下での失敗事例なども要旨には記載されていない。

6. 次に読むべき論文は？

要旨で参照されているGrounded-SAMとSAM 3の論文。また、関連するゼロショットセグメンテーションの基盤技術として、Segment Anything Model (SAM)やGrounded Language-Image Pre-training (GLIP)などが考えられる。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Ali Lesani, Chul Min Yeum, Su-Min Kang

分類: cs.CV, cs.AI, cs.RO

原文アブストラクト

Fine-grained segmentation of communication-tower components in UAV imagery is essential for automated inspection, yet task-specific models are hard to develop due to limited instance-level annotations. Zero-shot segmentation models offer a promising alternative, but in cluttered scenes, visually similar background structures interfere with component localization, causing missed instances and false positives. We propose a model-agnostic saliency-depth foreground-conditioning strategy combining appearance-based saliency with monocular relative depth to construct a coarse tower prior and suppress irrelevant content. We integrate this module with Grounded-SAM and SAM 3, yielding SD-Grounded-SAM and SD-SAM 3. SD-Grounded-SAM further applies geometric and depth-aware box refinement before mask generation, while SD-SAM 3 relies on SAM 3's internal setup. On TOW-300, a dataset of 340 communication-tower UAV images, our strategy improves both baselines: SD-SAM 3 achieves the strongest instance-segmentation performance, while SD-Grounded-SAM produces fewer false positives. Ablations confirm complementary gains from saliency, depth, and box refinement, improving robustness in cluttered scenes.

arXivで原文を読む →arXiv概要ページ