Hyp2Former: オープンセットパノプティックセグメンテーションのための階層認識双曲埋め込み

- Open-Set Panoptic Segmentation (OPS) のための end-to-end フレームワーク Hyp2Former を提案。 - 未知物体を別インスタンスとして識別しつつ、既知の thing/stuff クラスをセグメンテーションする。 - 訓練時に未知を明示的にモデル化せず、hyperbolic space で階層的意味類似度を連続的に学習。 - 既知カテゴリの階層関係を明示的にエンコードし、構造化埋め込み空間を獲得。 - 未知物体は高レベル概念（例：animal, object）に近接し、無関係概念（例：electronics, stuff）から遠ざかる。

- 従来の OPS 手法は既知カテゴリを flat label set として扱い、意味階層を無視していた。 - Hyp2Former は階層構造を事前知識として活用し、未知物体と in-distribution クラスの区別を改善。 - 訓練時に未知を明示的にモデル化する必要がなく、未知の fine-grained カテゴリが訓練に無くても検出可能。 - 複数データセットで既存手法を上回り、未知物体発見と in-distribution ロバスト性のバランスで最良を達成。

- hyperbolic space で階層的意味類似度を連続的に学習する end-to-end フレームワーク。 - 既知カテゴリ間の階層関係を明示的にエンコードし、複数レベルの意味抽象化を捉える構造化埋め込み空間を学習。 - 未知物体は高レベル概念に近接するため、信頼度の低い既知カテゴリ分類でも検出可能。 - 訓練時に未知を明示的にモデル化しない点が特徴。

- MS COCO, Cityscapes, Lost&Found などの複数の公開データセットで経験的評価を実施。 - 既存手法を上回る性能を示し、未知物体発見と in-distribution ロバスト性の最良バランスを達成。 - 具体的な評価指標や実験設定の詳細は要旨からは不明。

- 要旨からは不明。 - 未知物体検出の信頼性や階層埋め込みの限界、計算コストなどに関する議論は記述されていない。

- 要旨で参照/比較されている研究は明示されていない。 - 関連手法として Open-Set Panoptic Segmentation (OPS) の既存研究、hyperbolic embeddings、panoptic segmentation の定番手法（例：Mask2Former, DETR 系）が挙げられる。