MetaがDINOv3を発表：スケーラブルで高精度な視覚分析を実現する高度な自己教師型視覚モデル

AIや拡張現実技術を開発するテクノロジー企業Metaの研究部門。 メタAI は、自己教師学習（SSL）を用いて学習された最先端の汎用コンピュータビジョンモデルであるDINOv3を発表しました。これにより、高品質な視覚特徴を生成できます。物体検出やセマンティックセグメンテーションなど、複数の確立された高密度予測タスクにおいて、単一のフローズンビジョンバックボーンが初めて専用モデルを上回る性能を達成しました。

DINOv3は、高度なSSL手法によってこの性能を実現しています。この手法はラベル付きデータを必要としないため、学習時間とリソース要件を削減しながら、1.7億枚の画像と7億個のパラメータまでモデルを拡張できます。このラベルフリーのアプローチにより、DINOv3モデルは、アノテーションが限られている、コストが高い、または利用できないアプリケーションに適しています。例えば、衛星画像で事前学習されたDINOvXNUMXバックボーンは、樹冠高推定などのダウンストリームタスクで優れた結果を示しています。

このモデルは、ヘルスケア、環境モニタリング、自律走行車、小売、製造などの分野全体で現在のアプリケーションを強化し、新しいアプリケーションを可能にし、大規模な視覚的理解の精度と効率を向上させることが期待されています。

DINOv3は、MAXAR画像で学習された衛星画像向けバックボーンを含む、オープンソースのバックボーン一式を商用ライセンスの下でリリースします。下流の評価ヘッドの一部も公開されており、研究者が結果を再現・拡張できるようにしています。サンプルノートブックと詳細なドキュメントが提供されており、コミュニティがすぐにDINOv3を使い始めるのに役立ちます。

DINOv3: 自己教師学習による高影響力アプリケーションの実現

Hubspot メタAI DINOv3は自己教師学習（SSL）における顕著な進歩を示し、SSLモデルが幅広いタスクにおいて弱教師モデルのパフォーマンスを上回ることを初めて示しました。DINOの以前のバージョンは、セグメンテーションや単眼深度推定といった高密度予測タスクにおいて優れた結果を達成していましたが、DINOv3はこの基盤をさらに強化し、さらに高いレベルのパフォーマンスを実現しています。

DINOv3は、メタデータ入力の必要性を排除することでオリジナルのDINOアルゴリズムを進化させ、従来のアプローチよりも少ないトレーニング計算量で、高性能なビジョン基盤モデルを生成します。DINOv3の改良により、モデルの重みが固定された状態でも、物体検出などの下流タスクにおいて最先端の結果を実現し、タスク固有の微調整の必要性を排除することで、より汎用的で効率的なアプリケーションが可能になります。

DINO手法は特定の画像タイプに限定されないため、ラベル付けがコスト高であったり非現実的であったりする多様な分野に適用できます。DINOv2などの以前のバージョンでは、組織学、内視鏡検査、画像診断などの医療用途において、大量のラベルなしデータを活用してきました。衛星画像や航空画像の場合、データ量と複雑さから手動によるラベル付けが不可能ですが、DINOv3では、複数の衛星ソースに適用可能な単一のバックボーンモデルを学習できるため、環境モニタリング、都市計画、災害対応など、より幅広いユースケースをサポートします。

DINOv3はすでに実用化の成果を実証しています。世界資源研究所（WRI）は、このモデルを用いて森林破壊を監視し、森林再生活動を指導することで、地域団体による生態系の保護を強化しています。衛星画像を分析して樹木の減少や土地利用の変化を検出することで、DINOv3は気候変動対策資金の検証精度を向上させ、取引コストを削減し、小規模な地域プロジェクトへの資金提供を加速させます。例えば、衛星画像と航空画像で訓練されたDINOv3を使用することで、ケニアのある地域で樹冠高の測定における平均誤差が4.1メートルから1.2メートルに減少し、WRIは数千の農家や保全活動への支援をより効果的に拡大することができました。