/ Модель

Характеристики

Лицензия
CC BY 4.0
Библиотека
pytorch
Опубликована
10 сен 2026

Detecture-ICLR-2027

Сегментация изображенийИзображение → mask

Detecture — чекпойнт на базе Qwen3-VL и SAM 3 для автоматического разбиения изображений на текстурные области без заданного числа сегментов.

0скачиваний за 30 дней0лайковвеса обновлены10 сен 2026

Бенчмарки

Как модель справилась с задачами пользователей ailist и что о ней публикуют открытые лидерборды

Публичные оценки

Из открытых лидербордов. Сравнивайте результаты одного теста при одинаковых условиях — отсутствие оценки не значит, что модель хуже.

В подключённых источниках результатов для этой модели пока нет.

Что умеет модель

Описание составлено по карточке модели и метаданным Hugging Face

Detecture — обучаемый чекпойнт для субсемантической сегментации изображений, разработанный Aviad Cohz для экспериментов, представленных в заявке на ICLR 2027. Модель принимает изображение и инструкцию свободной формы, описывает обнаруженные текстурные области, оценивает их количество и формирует неперекрывающуюся сегментационную маску для каждой области.

Система объединяет Qwen3-VL-8B и SAM 3: обучаемый мост преобразует состояния токена [SEG] из Qwen в текстовое пространство SAM, а механизм Winner-Takes-All с дополнительным каналом-пылесборником превращает маски в разбиение изображения. Обучено 8,23 млн параметров: проектор-мост, LoRA для проекций внимания Qwen и масочная голова; основные компоненты обеих базовых моделей заморожены. Чекпойнт требует веса Qwen3-VL-8B и SAM 3 и не является автономной моделью.

Модель предназначена для выделения текстурных областей без заранее заданного числа сегментов и оценки методов сегментации в исследовательских бенчмарках. В README приведены результаты на RWTD, RWTD-COCO и TextureADE, но они относятся к протоколу без заданного числа областей и не сопоставимы напрямую с результатами в другом протоколе. Репозиторий распространяется по лицензии CC BY 4.0.

Сценарии применения

  • сегментация текстурных областей на изображении
  • разбиение сцены на неперекрывающиеся области по текстуре
  • оценка числа визуально различимых текстурных сегментов
  • бенчмаркинг субсемантической сегментации изображений

Ограничения

Для инференса необходимы отдельные веса Qwen3-VL-8B и SAM 3; опубликованные метрики зависят от протокола оценки и не сопоставимы напрямую с оценками, где число областей задано заранее.

Карточка модели

README от автора на Hugging Face, как он его опубликовал

Открыть на Hugging Face

Detecture — ICLR 2027 checkpoint

The trained model behind every number reported in the ICLR 2027 submission on sub-semantic image segmentation. This is the checkpoint referenced as epoch_23.pt by fairness_baseline_suite/src/paths.py.

Code: github.com/aviadcohz/Qwen2SAM_Detecture_Benchmark Data: aviadcohz/Detecture_ICLR_Benchmarking

What this is

Detecture couples a general-purpose vision-language model to a promptable segmentation backbone. Given only an image and a single open-range instruction, it emits its own free-form texture descriptions, infers how many regions the scene contains, and resolves them into a non-overlapping partition.

  • Qwen3-VL-8B reasons over appearance and emits one description per region, each terminated by a [SEG] grounding token.
  • A learned Bridge maps each 4096-d [SEG] hidden state into SAM 3's native 1024-d text width.
  • SAM 3 is frozen throughout — image encoder, text resizer, transformer and mask decoder.
  • A Winner-Takes-All assignment over K+1 channels, including a learned dustbin, turns the per-texture masks into a partition rather than a set of independently thresholded masks.

Trainable parameters

Only 8.23 M parameters are trained. The rest of both backbones is frozen.

ComponentParameters
Bridge projector4.20 M
Qwen3-VL LoRA (attention q, v)3.83 M
Mask head0.20 M
Dustbin embedding~0
Total8.23 M

What is in the file

detecture_epoch23.pt (2.5 GB) holds:

model_trainable   157 tensors   the 8.23 M trained parameters, plus the resized
                                Qwen embedding and LM head (1242 M, frozen — they
                                appear here only because adding the [SEG] token
                                resized the vocabulary)
dustbin_embed                   the learned dustbin vector
epoch, phase, val_iou           training metadata

Optimizer state has been stripped: the original training checkpoint is 7.6 GB, and training/utils.py::load_checkpoint only touches the optimizer key when an optimizer is passed, so inference and evaluation are unaffected. Resuming training from this file will reinitialise the AdamW moments.

Use

huggingface-cli download aviadcohz/Detecture-ICLR-2027 detecture_epoch23.pt \
  --local-dir ~/Detecture_ICLR/Qwen2SAM_Detecture/checkpoints/
mv ~/Detecture_ICLR/Qwen2SAM_Detecture/checkpoints/detecture_epoch23.pt \
   ~/Detecture_ICLR/Qwen2SAM_Detecture/checkpoints/epoch_23.pt

That path is what paths.py resolves. Then:

cd Qwen2SAM_Detecture_Benchmark/fairness_baseline_suite
PYTHONPATH=src python src/run_fairness.py --model detecture --dataset RWTD

Requires the Qwen3-VL-8B and SAM 3 base weights; the loader copies these trained tensors into an assembled model rather than standing alone.

Reported results

Under a protocol in which no method is told how many regions an image contains:

RouteRegion CoveringBoundary-FmIoUARI
RWTD0.79460.42520.78430.5993
RWTD-COCO0.85360.42260.84600.7351
TextureADE0.74790.50380.72220.6863
CSTD0.88350.64990.86420.7742

These are not comparable to evaluations that supply the region count. Supplying it raises RWTD mIoU from 0.7843 to 0.8162.

Training

Two-stage curriculum on a single NVIDIA H100 NVL (95 GB). Stage 1 trains the Bridge, mask head and dustbin with SAM 3 and Qwen frozen; Stage 2 unlocks LoRA on the Qwen attention projections together with the masked [SEG] rows. The loss combines mask cross-entropy, Dice, and a Shifted-Zero language objective that removes ordinary linguistic pressure from the grounding state itself.

Licence

CC-BY-4.0 for these weights. The Qwen3-VL and SAM 3 base models keep their own licences, and this release does not relicense them.

Как запустить

На своей GPU в ailist. Цена — по текущим предложениям провайдеров

GPU в ailist

Универсальный рантайм · pytorch · image-segmentation

Нельзя запустить

В репозитории нет config.json: не понять архитектуру модели.

Ревизия весов
489d474

0 моделей