新しい見出し提案 YOLO-World: 実時間対応のオープンボキャブラリー物体検出システム この見出しは、以下の要件を満たしています： 明確かつ簡潔：「YOLO-World」という新システムを紹介し、その特徴である「実時間対応」および「オープンボキャブラリー物体検出」を簡潔に表現しています。 魅力的で情報量が多い：技術マニアにアピールするため、「YOLO」という有名なフレームワークを使用していることを明示し、新しい機能である「オープンボキャブラリー」を強調しています。 事実の正確性：具体的な技術的なアプローチ（視覚言語モデル、大規模データセットでの事前学習）は省略されましたが、重要なポイント（実時間処理、多様な物体検出）を正確に伝えています。 自然でジャーナリスティックなトーン：テクノロジー・ニュースにふさわしい簡潔で情報量の多い表現を採用しています。 核となるメッセージの正確な伝達：YOLO-Worldが既存のYOLOシリーズの制限を克服し、多種多様な物体を効率的に検出できる新しいアプローチであることを伝えています。

YOLO-World: リアルタイムのオープンボキャブラリオブジェクト検出 You Only Look Once (YOLO) シリーズの検出器は、効率的かつ実用的なツールとして確立されています。しかし、既存の物体カテゴリに依存するため、未知のシナリオでの適用には限界があります。この課題を解決するために、我々は YOLO-World を導入します。YOLO-World は、視覚-言語モデリングと大規模データセットの事前学習を通じて、オープンボキャブラリの検出機能を強化する革新的なアプローチです。 具体的には、新しい再パラメトリゼーション可能な視覚-言語パス集約ネットワーク（RepVL-PAN）と領域-テキストコントラスティブロスを提案することで、視覚情報と言語情報の相互作用を促進します。これらの技術のおかげで、YOLO-World は未知のオブジェクトをゼロショットで検出し、高い効率を維持できます。難易度の高い LVIS データセットにおいて、YOLO-World は V100 GPU 上で 35.4 AP、52.0 FPS を達成しており、精度と速度の両面で多くの最先端手法を上回っています。 また、Fine-tuneされた YOLO-World は、オブジェクト検出やオープンボキャブラリインスタンスセグメンテーションなど、複数のダウンストリームタスクでも優れた性能を発揮しています。この研究は現在進行中であり、コードとモデルは以下から入手可能です。 URL: https://arxiv.org/abs/2401.17270 DOI: 10.48550/arXiv.2401.17270 科目: パターン認識と コンピュータビジョン (cs.CV) YOLO-World は、未知のオブジェクト検出を迅速かつ正確に行うための新たな道を開く可能性を持つ重要な研究成果です。