🚀 トレーニングする時間がない！

トレーニング不要なリファレンスベースインスタンスセグメンテーション

最先端（Papers with Code） _SOTA 1-shot_ | -21CBCE?style=flat&logo=paperswithcode)

_SOTA 10-shot_ | -21CBCE?style=flat&logo=paperswithcode)

_SOTA 30-shot_ | -21CBCE?style=flat&logo=paperswithcode)

🚨 更新 (2026年2月5日): 論文原稿が大規模なアブレーションスタディ、可視化、および追加実験でアップデートされました。

🚨 更新 (2025年7月22日): カスタムデータセット用の手順が追加されました！

🔔 更新 (2025年7月16日): コードが手順付きでアップデートされました！

📋 目次

• 🎯 ハイライト
• 📜 アブストラクト
• 🧠 アーキテクチャ
• 🛠️ インストール手順
• 1. リポジトリのクローン
• 2. conda環境の作成
• 3. SAM2とDINOv2のインストール
• 4. データセットのダウンロード
• 5. SAM2とDINOv2のチェックポイントのダウンロード
• 📊 推論コード: Few-shot COCOで30-shot SOTA結果を再現
• 0. 参照セットの作成
• 1. 参照でメモリを埋める
• 2. メモリバンクの後処理
• 3. ターゲット画像で推論
• 結果
• 🔍 カスタムデータセット
• 0. カスタムデータセットの準備 ⛵🐦
• 0.1 バウンディングボックスアノテーションのみが利用可能な場合
• 0.2 cocoアノテーションをpickleファイルに変換
• 1. メモリに参照画像を格納
• 2. メモリバンクの後処理
• 📚 引用

🎯 ハイライト

• 💡 トレーニング不要：ファインチューニングもプロンプトエンジニアリングも不要—参照画像だけでOK。
• 🖼️ 参照ベース：わずかな例を使って新しいオブジェクトをセグメンテーション。
• 🔥 SOTAパフォーマンス：COCO、PASCAL VOC、Cross-Domain FSODで従来のトレーニング不要手法を上回る。

• 🧾 arXiv論文
• 🌐 プロジェクトWebサイト
• 📈 Papers with Code

📜 アブストラクト

The performance of image segmentation models has historically been constrained by the high cost of collecting large-scale annotated data. The Segment Anything Model (SAM) alleviates this original problem through a promptable, semantics-agnostic, segmentation paradigm and yet still requires manual visual-prompts or complex domain-dependent prompt-generation rules to process a new image. Towards reducing this new burden, our work investigates the task of object segmentation when provided with, alternatively, only a small set of reference images. Our key insight is to leverage strong semantic priors, as learned by foundation models, to identify corresponding regions between a reference and a target image. We find that correspondences enable automatic generation of instance-level segmentation masks for downstream tasks and instantiate our ideas via a multi-stage, training-free method incorporating (1) memory bank construction; (2) representation aggregation and (3) semantic-aware feature matching. Our experiments show significant improvements on segmentation metrics, leading to state-of-the-art performance on COCO FSOD (36.8% nAP), PASCAL VOC Few-Shot (71.2% nAP50) and outperforming existing training-free approaches on the Cross-Domain FSOD benchmark (22.4% nAP).

🧠 Architecture

🛠️ Installation instructions

1. Clone the repository

git clone https://github.com/miquel-espinosa/no-time-to-train.git
cd no-time-to-train

2. conda環境の作成

必要なパッケージを含むconda環境を作成します。

conda env create -f environment.yml
conda activate no-time-to-train

3. SAM2とDINOv2のインストール

SAM2とDINOv2をソースからインストールします。

pip install -e .
cd dinov2
pip install -e .
cd ..

4. データセットのダウンロード

COCOデータセットをダウンロードし、data/cocoに配置してください。

5. SAM2とDINOv2のチェックポイントのダウンロード

論文で使用されている正確なSAM2チェックポイントをダウンロードします。 （ただし、SAM2.1のチェックポイントはすでに利用可能であり、より良い性能を示す場合があります。）

mkdir -p checkpoints/dinov2
cd checkpoints
wget https://dl.fbaipublicfiles.com/segment_anything_2/072824/sam2_hiera_large.pt
cd dinov2
wget https://dl.fbaipublicfiles.com/dinov2/dinov2_vitl14/dinov2_vitl14_pretrain.pth
cd ../..

📊 推論コード

⚠️ 免責事項：これは研究用コードです — 多少の混乱はご容赦ください！

Few-shot COCOで30ショットSOTA結果の再現

有用な変数を定義し、結果用のフォルダを作成します：

CONFIG=./no_time_to_train/new_exps/coco_fewshot_10shot_Sam2L.yaml
CLASS_SPLIT="few_shot_classes"
RESULTS_DIR=work_dirs/few_shot_results
SHOTS=30
SEED=33
GPUS=4
mkdir -p $RESULTS_DIR
FILENAME=few_shot_${SHOTS}shot_seed${SEED}.pkl

python no_time_to_train/dataset/few_shot_sampling.py \
        --n-shot $SHOTS \
        --out-path ${RESULTS_DIR}/${FILENAME} \
        --seed $SEED \
        --dataset $CLASS_SPLIT

python run_lightening.py test --config $CONFIG \
                              --model.test_mode fill_memory \
                              --out_path ${RESULTS_DIR}/memory.ckpt \
                              --model.init_args.model_cfg.memory_bank_cfg.length $SHOTS \
                              --model.init_args.dataset_cfgs.fill_memory.memory_pkl ${RESULTS_DIR}/${FILENAME} \
                              --model.init_args.dataset_cfgs.fill_memory.memory_length $SHOTS \
                              --model.init_args.dataset_cfgs.fill_memory.class_split $CLASS_SPLIT \
                              --trainer.logger.save_dir ${RESULTS_DIR}/ \
                              --trainer.devices $GPUS

python run_lightening.py test --config $CONFIG \
                              --model.test_mode postprocess_memory \
                              --model.init_args.model_cfg.memory_bank_cfg.length $SHOTS \
                              --ckpt_path ${RESULTS_DIR}/memory.ckpt \
                              --out_path ${RESULTS_DIR}/memory_postprocessed.ckpt \
                              --trainer.devices 1

python run_lightening.py test --config $CONFIG  \
                              --ckpt_path ${RESULTS_DIR}/memory_postprocessed.ckpt \
                              --model.init_args.test_mode test \
                              --model.init_args.model_cfg.memory_bank_cfg.length $SHOTS \
                              --model.init_args.model_cfg.dataset_name $CLASS_SPLIT \
                              --model.init_args.dataset_cfgs.test.class_split $CLASS_SPLIT \
                              --trainer.logger.save_dir ${RESULTS_DIR}/ \
                              --trainer.devices $GPUS

    --model.init_args.model_cfg.test.online_vis True

    --model.init_args.model_cfg.test.vis_thr 0.4

この例では few_shot_classes 分割を使用しているため、この分割に含まれるクラスのインスタンスのみがセグメント化されることが期待されます（COCOのすべてのクラスではありません）。

#### 結果

バリデーションセット内のすべての画像を処理した後、以下のものが得られるはずです：

BBOX RESULTS:
  Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.368
SEGM RESULTS:
  Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.342

🔍 カスタムデータセット

本パイプラインをカスタムデータセットで実行する手順を提供します。アノテーション形式は常にCOCOフォーマットです。

TLDR; カスタムデータセットでフルパイプラインを実行する方法を直接確認したい場合は、scripts/matching_cdfsod_pipeline.shおよびCD-FSODデータセットの例スクリプト（例：scripts/dior_fish.sh）をご覧ください。

0. カスタムデータセットの準備 ⛵🐦

カスタムデータセットでボート⛵と鳥🐦を検出したいと仮定します。本手法を利用するには以下が必要です：

• 各クラスごとに少なくとも1枚のアノテート済み参照画像（例：ボート用1枚、鳥用1枚）
• 対象クラスのインスタンスを見つけるための複数のターゲット画像

mkdir -p data/my_custom_dataset
python scripts/make_custom_dataset.py

data/my_custom_dataset/
    ├── annotations/
    │   ├── custom_references.json
    │   ├── custom_targets.json
    │   └── references_visualisations/
    │       ├── bird_1.jpg
    │       └── boat_1.jpg
    └── images/
        ├── 429819.jpg
        ├── 101435.jpg
        └── (all target and reference images)

| BIRD 🐦 の1ショット参照画像 | BOAT ⛵ の1ショット参照画像 | |:-----------------------------:|:------------------------------:| | | |

0.1 バウンディングボックスアノテーションのみが利用可能な場合

参照画像にバウンディングボックスアノテーションしかない場合にも対応できるよう、SAM2を用いてインスタンスレベルのセグメンテーションマスクを生成するスクリプトも提供しています。

# Download sam_h checkpoint. Feel free to use more recent checkpoints (note: code might need to be adapted)
wget https://dl.fbaipublicfiles.com/segment_anything/sam_vit_h_4b8939.pth -O checkpoints/sam_vit_h_4b8939.pth
Run automatic instance segmentation from ground truth bounding boxes.
python no_time_to_train/dataset/sam_bbox_to_segm_batch.py \
    --input_json data/my_custom_dataset/annotations/custom_references.json \
    --image_dir data/my_custom_dataset/images \
    --sam_checkpoint checkpoints/sam_vit_h_4b8939.pth \
    --model_type vit_h \
    --device cuda \
    --batch_size 8 \
    --visualize

生成されたセグメンテーションマスクの可視化は、data/my_custom_dataset/annotations/custom_references_with_SAM_segm/references_visualisations/ に保存されています。

| BIRD 🐦 の1-shot参照画像（SAMで自動セグメント化） | BOAT ⛵ の1-shot参照画像（SAMで自動セグメント化） | |:---------------------------------:|:----------------------------------:| | | |

0.2 cocoアノテーションをpickleファイルに変換

python no_time_to_train/dataset/coco_to_pkl.py \
    data/my_custom_dataset/annotations/custom_references_with_segm.json \
    data/my_custom_dataset/annotations/custom_references_with_segm.pkl \
    1

1. 参照でメモリを埋める

最初に、便利な変数を定義し、結果用のフォルダを作成します。ラベルを正しく可視化するためには、クラス名をjsonファイルに記載されているカテゴリID順に並べる必要があります。例：bird のカテゴリIDは 16、boat のカテゴリIDは 9 です。したがって、CAT_NAMES=boat,bird となります。

DATASET_NAME=my_custom_dataset
DATASET_PATH=data/my_custom_dataset
CAT_NAMES=boat,bird
CATEGORY_NUM=2
SHOT=1
YAML_PATH=no_time_to_train/pl_configs/matching_cdfsod_template.yaml
PATH_TO_SAVE_CKPTS=./tmp_ckpts/my_custom_dataset
mkdir -p $PATH_TO_SAVE_CKPTS

python run_lightening.py test --config $YAML_PATH \
    --model.test_mode fill_memory \
    --out_path $PATH_TO_SAVE_CKPTS/$DATASET_NAME\_$SHOT\_refs_memory.pth \
    --model.init_args.dataset_cfgs.fill_memory.root $DATASET_PATH/images \
    --model.init_args.dataset_cfgs.fill_memory.json_file $DATASET_PATH/annotations/custom_references_with_segm.json \
    --model.init_args.dataset_cfgs.fill_memory.memory_pkl $DATASET_PATH/annotations/custom_references_with_segm.pkl \
    --model.init_args.dataset_cfgs.fill_memory.memory_length $SHOT \
    --model.init_args.dataset_cfgs.fill_memory.cat_names $CAT_NAMES \
    --model.init_args.model_cfg.dataset_name $DATASET_NAME \
    --model.init_args.model_cfg.memory_bank_cfg.length $SHOT \
    --model.init_args.model_cfg.memory_bank_cfg.category_num $CATEGORY_NUM \
    --trainer.devices 1

2. ポストプロセスメモリバンク

python run_lightening.py test --config $YAML_PATH \
    --model.test_mode postprocess_memory \
    --ckpt_path $PATH_TO_SAVE_CKPTS/$DATASET_NAME\_$SHOT\_refs_memory.pth \
    --out_path $PATH_TO_SAVE_CKPTS/$DATASET_NAME\_$SHOT\_refs_memory_postprocessed.pth \
    --model.init_args.model_cfg.dataset_name $DATASET_NAME \
    --model.init_args.model_cfg.memory_bank_cfg.length $SHOT \
    --model.init_args.model_cfg.memory_bank_cfg.category_num $CATEGORY_NUM \
    --trainer.devices 1

#### 2.1 後処理されたメモリバンクの可視化

python run_lightening.py test --config $YAML_PATH \
    --model.test_mode vis_memory \
    --ckpt_path $PATH_TO_SAVE_CKPTS/$DATASET_NAME\_$SHOT\_refs_memory_postprocessed.pth \
    --model.init_args.dataset_cfgs.fill_memory.root $DATASET_PATH/images \
    --model.init_args.dataset_cfgs.fill_memory.json_file $DATASET_PATH/annotations/custom_references_with_segm.json \
    --model.init_args.dataset_cfgs.fill_memory.memory_pkl $DATASET_PATH/annotations/custom_references_with_segm.pkl \
    --model.init_args.dataset_cfgs.fill_memory.memory_length $SHOT \
    --model.init_args.dataset_cfgs.fill_memory.cat_names $CAT_NAMES \
    --model.init_args.model_cfg.dataset_name $DATASET_NAME \
    --model.init_args.model_cfg.memory_bank_cfg.length $SHOT \
    --model.init_args.model_cfg.memory_bank_cfg.category_num $CATEGORY_NUM \
    --trainer.devices 1

3. ターゲット画像での推論

ONLINE_VIS がTrueに設定されている場合、予測結果は results_analysis/my_custom_dataset/ に保存され、計算されると同時に表示されます。オンライン可視化を有効にすると、処理速度が大幅に遅くなることに注意してください。

セグメント化されたインスタンスの表示数を増減させたい場合は、スコア閾値 VIS_THR を自由に変更してください。

ONLINE_VIS=True
VIS_THR=0.4
python run_lightening.py test --config $YAML_PATH \
    --model.test_mode test \
    --ckpt_path $PATH_TO_SAVE_CKPTS/$DATASET_NAME\_$SHOT\_refs_memory_postprocessed.pth \
    --model.init_args.model_cfg.dataset_name $DATASET_NAME \
    --model.init_args.model_cfg.memory_bank_cfg.length $SHOT \
    --model.init_args.model_cfg.memory_bank_cfg.category_num $CATEGORY_NUM \
    --model.init_args.model_cfg.test.imgs_path $DATASET_PATH/images \
    --model.init_args.model_cfg.test.online_vis $ONLINE_VIS \
    --model.init_args.model_cfg.test.vis_thr $VIS_THR \
    --model.init_args.dataset_cfgs.test.root $DATASET_PATH/images \
    --model.init_args.dataset_cfgs.test.json_file $DATASET_PATH/annotations/custom_targets.json \
    --model.init_args.dataset_cfgs.test.cat_names $CAT_NAMES \
    --trainer.devices 1

結果

パフォーマンス指標（上記のコマンドと全く同じパラメータを使用）は次のとおりです。

BBOX RESULTS:
  Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.478
SEGM RESULTS:
  Average Precision  (AP) @[ IoU=0.50:0.95 | area=   all | maxDets=100 ] = 0.458

視覚的な結果は results_analysis/my_custom_dataset/ に保存されます。なお、本手法は偽陰性、すなわち目的のクラスが存在しない画像にも対応しています。

画像をクリックして拡大 ⬇️

| ボートがあるターゲット画像 ⛵（左：GT、右：予測） | 鳥がいるターゲット画像 🐦（左：GT、右：予測） | |:----------------------:|:----------------------:| | | |

| ボートと鳥がいるターゲット画像 ⛵🐦（左：GT、右：予測） | ボートも鳥もいないターゲット画像 🚫（左：GT、右：予測） | |:---------------------------------:|:----------------------------------:| | | |

🔬 アブレーション

バックボーンアブレーション

本手法がファウンデーションモデル間でどれだけ転移可能かを評価するため、セマンティック エンコーダ（DINOv2）およびSAMベースのセグメンターの両方を darnいくつかの代替手法に置き換えます。

セマンティックエンコーダのアブレーション：

# CLIP (Sizes: b16, b32, l14, l14@336px)
bash scripts/clip/clipl14@336px.sh
bash scripts/clip/clipl14.sh
bash scripts/clip/clipb16.sh
bash scripts/clip/clipb32.sh
DINOV3 (Sizes: b, l, h)
bash scripts/dinov3/dinov3b.sh
bash scripts/dinov3/dinov3l.sh
bash scripts/dinov3/dinov3h.sh
PE (Sizes: g14, l14)
bash scripts/pe/PEg14.sh
bash scripts/pe/PEl14.sh

セグメンター切除：

# SAM2 (Sizes: tiny, small, base+, large)
bash scripts/sam2/sam2_tiny.sh
bash scripts/sam2/sam2_small.sh
bash scripts/sam2/sam2_base_plus.sh
bash scripts/baseline/dinov2_sam_baseline.sh # SAM2 Large

COCO少数ショットデータセットでのVLM評価

COCO少数ショットデータセットでQWEN VLMを評価します。

bash scripts/vl-qwen/ablation-vl-qwen.sh

参照画像のヒューリスティクス

なぜ異なる参照画像が性能のばらつきにつながるのかを理解するために、COCO新規クラスのアノテーションの統計的特性を分析します。

#### 分析

3つのアノテーション特性を調査します：（1）マスク面積（物体サイズ）、 （2）マスク中心の位置、（3）画像端までの距離。

# Mask area distribution
python no_time_to_train/make_plots/mask_area_distribution.py \
  --input data/coco/annotations/instances_val2017.json \
  --output no_time_to_train/make_plots/mask_area_distribution/mask_area_distribution.png \
  --edges-output no_time_to_train/make_plots/mask_area_distribution/bbox_edge_distance_histograms.png \
  --center-output no_time_to_train/make_plots/mask_area_distribution/bbox_center_density.png \
  --bins 80 \
  --distance-bins 80 \
  --disable-center-density
Bbox center positions
python no_time_to_train/make_plots/bbox_positions.py \
	--per-class-root data/coco/annotations/per_class_instances \
	--filename centeredness_2d_hist_plain.png \
	--max-cols 6 \
	--output-dir ./no_time_to_train/make_plots/bbox_positions \
	--outfile grid_bbox_positions.png

[OUTPUT] マスク領域分布

[OUTPUT] バウンディングボックス中心密度

[OUTPUT] バウンディングボックス端部距離ヒストグラム

#### セレクション

各クラスごとに多様なリファレンス画像を100枚サンプリングし、 マスクサイズ、中心、端部距離の幅広い範囲を明示的に カバーします。各リファレンスは固定された縮小バリデーションサブセットで評価されます。

bash scripts/1shot_ref_ablation/setup.sh

# Example launch script that calls template script for each reference set
bash scripts/1shot_ref_ablation/gpu0.sh

#### 結果

検出スコアが参照画像の特性（マスクサイズ、中心位置、エッジ距離）とどのように相関するかを分析します。

python no_time_to_train/make_plots/heuristics_analysis.py
Outputs: 
- no_time_to_train/make_plots/heuristics_analysis/heatmap_bbox_norm_scores.png
- no_time_to_train/make_plots/heuristics_analysis/heatmap_segm_norm_scores.png
- no_time_to_train/make_plots/heuristics_analysis/heatmap_center_bbox_norm_scores_kde_smooth.png
- no_time_to_train/make_plots/heuristics_analysis/heatmap_center_bbox_norm_scores.png
- no_time_to_train/make_plots/heuristics_analysis/heatmap_center_segm_norm_scores_kde_smooth.png
- no_time_to_train/make_plots/heuristics_analysis/heatmap_center_segm_norm_scores.png
- no_time_to_train/make_plots/heuristics_analysis/per_class_area_vs_raw_scores.png
- no_time_to_train/make_plots/heuristics_analysis/all_classes_area_vs_norm_scores.png
- no_time_to_train/make_plots/heuristics_analysis/edge_distance_vs_norm_scores.png
- no_time_to_train/make_plots/heuristics_analysis/bars_area_category_norm_scores.png
- no_time_to_train/make_plots/heuristics_analysis/bars_centered_norm_scores.png
- no_time_to_train/make_plots/heuristics_analysis/bars_avoid_sides_norm_scores.png

[OUTPUT] バープロット。マスク領域（左）および中心性（右）がパフォーマンスに与える影響

[OUTPUT] ヒートマップ。マスク中心位置の関数としてのパフォーマンスの2Dスコアマップ

[OUTPUT] すべてのCOCO新規クラスにおけるリファレンス画像パフォーマンスとマスク領域の関係

リファレンス画像の劣化

ガウシアンブラーを段階的に強く適用し、劣化したリファレンス画像下で本手法を評価します。

# Run different blur levels
bash scripts/blur_ablation/blur_ablation.sh
Plot grid of blur ablation results
python no_time_to_train/make_plots/plot_blur_results.py \
    --results-root ./work_dirs/blur_ablation \
    --class-id 0 \
    --max-cols 4 \
    --output-dir ./no_time_to_train/make_plots/blur_ablation \
    --outfile grid_blur_ablation_class_0.png

特徴類似度

参照画像とターゲット画像間の特徴類似度を可視化するスクリプトです。

単一特徴類似度（パス特徴）と、プロトタイプベースの類似度（集約特徴）を生成します。

python no_time_to_train/make_plots/feature_similarity.py \
  --classes orange \  
  --num-images 20 \
  --min-area 12 \
  --max-area 25000 \
  --min-instances 2 \
  --seed 123 \
  --max-per-class 12

T-SNEプロット（DINOv2特徴分離性）

DINOv2特徴量のt-SNEでは、異なるクラスは明確に分離されていますが、 類似するクラスでは大きく重なっており、混同の原因が プロトタイプの選択ではなくバックボーン特徴の幾何学にあることを示唆します。

python no_time_to_train/make_plots/tsne-coco.py --extract

# Example spoon vs fork
python no_time_to_train/make_plots/tsne-coco.py --classes cat dog

🛠️ ヘルパー

メモリの可視化

ここに画像 feature_comparison_small.png を追加してください

python run_lightening.py test --config $CONFIG \
    --model.test_mode vis_memory \
    --ckpt_path $RESULTS_DIR/memory_postprocessed.ckpt \
    --model.init_args.dataset_cfgs.fill_memory.memory_pkl $RESULTS_DIR/$FILENAME \
    --model.init_args.dataset_cfgs.fill_memory.memory_length $SHOT \
    --model.init_args.dataset_cfgs.fill_memory.class_split $CLASS_SPLIT \
    --model.init_args.model_cfg.dataset_name $CLASS_SPLIT \
    --model.init_args.model_cfg.memory_bank_cfg.length $SHOT \
    --model.init_args.model_cfg.memory_bank_cfg.category_num $CATEGORY_NUM \
    --trainer.devices 1

画像を512x512にリサイズ（画像を正方形にする）

画像を512x512にリサイズして新しいディレクトリに保存するには、以下のコマンドを実行してください。これは論文用の図のためのものです。

python no_time_to_train/make_plots/paper_fig_square_imgs.py

モデルサイズとメモリ

モデルサイズとメモリを計算するには、以下のコマンドを実行します。

🌍 EO データセット

評価スクリプト（EO データセット）

評価スクリプトは scripts/EO ディレクトリにあります。EO データセットでは ./scripts/EO/EO_template.sh スクリプトを使って評価を実行します。

各 EO 実験の実行結果は ./EO_results ディレクトリに保存されます。実験フォルダには以下が保存されます:

• 実験の設定と実行時間が記載された summary.txt ファイル
• テストセット上の予測可視化（results_analysis フォルダ）
• メモリ可視化（memory_vis フォルダ）
• few-shot アノテーションの pickle ファイル
• モデルのチェックポイント（クリーンアップされていない場合）

図表

図表生成用の追加スクリプト。

python scripts/convert_datasets/summary_table_datasets.py

python scripts/paper_figures/table_EO_results.py ./EO_results_no_heuristics

python scripts/paper_figures/plot_EO_accuracy.py \
  --input-root ./EO_results \
  --output-root ./EO_results

python scripts/paper_figures/plot_EO_heuristic.py \
  --no-heuristics ./EO_results_no_heuristics \
  --heuristics ./EO_results

python scripts/paper_figures/plot_EO_runtime.py \
  --input-root ./EO_results \
  --output-root ./EO_results

python scripts/paper_figures/plot_EO_grid.py \
  --root ./EO_results_no_heuristics \
  --dataset ISAID \
  --shots 1

📚 Citation

If you use this work, please cite us:

@article{espinosa2025notimetotrain,
  title={No time to train! Training-Free Reference-Based Instance Segmentation},
  author={Miguel Espinosa and Chenhongyi Yang and Linus Ericsson and Steven McDonagh and Elliot J. Crowley},
  journal={arXiv preprint arXiv:2507.02798},
  year={2025},
  primaryclass={cs.CV}
}

--- Tranlated By Open Ai Tx | Last indexed: 2026-03-13 ---