タグ: #Hiera

← すべての記事

• SAM 2 と EfficientTAM: メモリアテンションによる動画内の物体追跡と軽量化

  1枚の画像をセグメンテーションするSAMを動画へと拡張したSAM 2（2024）を見ていきます。フレームを1つずつ流しながら、前のフレームでセグメンテーションしたマスクを「記憶」に置き換えてメモリバンクに蓄積し、新しいフレームがメモリアテンションによってその記憶を参照しながら同じ物体をセグメンテーションします。約5万本の動画・約64万個のマスクレットによるSA-Vデータ、画像でもSAMより6倍高速な結果、SAM 2.1のサイズ別数値と私

  2026-10-17 · 14 分で読めます #비전 모델#SAM 2#EfficientTAM#영상 분할#메모리 어텐션

• Vision Transformer: 画像を16×16のパッチの文章として読む、そしてデータが多く必要な理由

  文章を読んでいたTransformerで画像を読み込むViT（2021年）の原理を見ていきます。画像を16×16のパッチに切り分けて単語のように並べ、自己注意（Self-Attention）であらゆるパッチのペアの関係を見ます。「パッチに切り分けて線形変換する」ことがストライド16の畳み込みと全く同じであること、位置埋め込み（Position Embedding）がなければモデルがパッチの順序を全く分からないこと、解像度を2倍に増やすと

  2026-10-17 · 13 分で読めます #비전 모델#ViT#트랜스포머#셀프 어텐션#위치 임베딩