論文の概要: TAU-R1: Visual Language Model for Traffic Anomaly Understanding

• arxiv url: http://arxiv.org/abs/2603.19098v1
• Date: Thu, 19 Mar 2026 16:23:21 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-20 17:19:06.263611
• Title: TAU-R1: Visual Language Model for Traffic Anomaly Understanding
• Title（参考訳）: TAU-R1:交通異常理解のためのビジュアル言語モデル
• Authors: Yuqiang Lin, Kehua Chen, Sam Lockyer, Arjun Yadav, Mingxuan Sui, Shucheng Zhang, Yan Shi, Bingzhang Wang, Yuang Zhang, Markus Zarbock, Florain Stanek, Adrian Evans, Wenbin Li, Yinhai Wang, Nic Zhang,
• Abstract要約: Roundabout-TAUは、インディアナ州カーメル市と共同で収集された実世界のラウンドアバウンドビデオから構築されたデータセットである。 データセットには342のクリップが含まれており、トラフィック異常理解の複数の側面をカバーする2,000以上の質問応答ペアが注釈付けされている。 このベンチマークに基づいて,TAUのための2層視覚言語フレームワークTAU-R1を提案する。
• 参考スコア（独自算出の注目度）: 14.917903303146543
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Traffic Anomaly Understanding (TAU) is important for traffic safety in Intelligent Transportation Systems. Recent vision-language models (VLMs) have shown strong capabilities in video understanding. However, progress on TAU remains limited due to the lack of benchmarks and task-specific methodologies. To address this limitation, we introduce Roundabout-TAU, a dataset constructed from real-world roundabout videos collected in collaboration with the City of Carmel, Indiana. The dataset contains 342 clips and is annotated with more than 2,000 question-answer pairs covering multiple aspects of traffic anomaly understanding. Building on this benchmark, we propose TAU-R1, a two-layer vision-language framework for TAU. The first layer is a lightweight anomaly classifier that performs coarse anomaly categorisation, while the second layer is a larger anomaly reasoner that generates detailed event summaries. To improve task-specific reasoning, we introduce a two-stage training strategy consisting of decomposed-QA-enhanced supervised fine-tuning followed by TAU-GRPO, a GRPO-based post-training method with TAU-specific reward functions. Experimental results show that TAU-R1 achieves strong performance on both anomaly classification and reasoning tasks while maintaining deployment efficiency. The dataset and code are available at: https://github.com/siri-rouser/TAU-R1
• Abstract（参考訳）: 交通異常理解(TAU)は,インテリジェントトランスポーテーションシステムにおいて交通安全にとって重要である。 近年の視覚言語モデル(VLM)は,映像理解において強力な能力を示している。 しかし、ベンチマークやタスク固有の方法論が欠如しているため、TAUの進歩は依然として限られている。 この制限に対処するために、インディアナ州カーメル市と共同で収集した実世界のラウンドアバウンドビデオから構築されたデータセットである Roundabout-TAUを紹介します。 データセットには342のクリップが含まれており、トラフィック異常理解の複数の側面をカバーする2,000以上の質問応答ペアが注釈付けされている。 このベンチマークに基づいて,TAUのための2層視覚言語フレームワークTAU-R1を提案する。 第1の層は、粗い異常分類を行う軽量な異常分類器であり、第2の層は、詳細な事象の要約を生成するより大きな異常推論器である。 タスク固有の推論を改善するために,分解QA強化微調整と,TAU固有報酬関数を付加したGRPOベースのポストトレーニング手法であるTAU-GRPOを併用した2段階のトレーニング戦略を導入する。 実験結果から,TAU-R1は,配置効率を維持しつつ,異常分類と推論タスクの両方において高い性能を発揮することが示された。 データセットとコードは、https://github.com/siri-rouser/TAU-R1.comで利用可能である。

関連論文リスト

• TagaVLM: Topology-Aware Global Action Reasoning for Vision-Language Navigation [70.23578202012048]
  Vision-Language Navigation (VLN) は、アーキテクチャ上のミスマッチのため、大きなビジョン-Language Models (VLM) に固有の課題を提示している。 我々は,VLMのバックボーンにトポロジ構造を明示的に注入するエンドツーエンドフレームワークであるTagaVLM(トポロジ・アウェア・グローバルアクション推論)を提案する。 トポロジ的ノード情報を強化するため、Interleaved Navigation Promptはノードレベルのビジュアルテキストアライメントを強化する。 埋め込みトポロジグラフでは、このモデルはグローバルな行動推論が可能であり、堅牢な経路補正を可能にする。
  論文  参考訳（メタデータ） (2026-03-03T13:28:07Z)
• STVG-R1: Incentivizing Instance-Level Reasoning and Grounding in Videos via Reinforcement Learning [65.36458157092207]
  視覚言語モデル(VLM)では、テキスト記述と視覚座標のミスアライメントはしばしば幻覚を引き起こす。 本稿では,座標の調整が難しい問題を回避するために,新しい視覚的プロンプトパラダイムを提案する。 本稿では,STVGの最初の強化学習フレームワークであるSTVG-R1を紹介する。
  論文  参考訳（メタデータ） (2026-02-12T08:53:32Z)
• Detect Anything via Next Point Prediction [51.55967987350882]
  Rex-Omniは最先端の物体認識性能を実現する3BスケールのMLLMである。 COCOやLVISのようなベンチマークでは、Rex-Omniは回帰ベースのモデルに匹敵するパフォーマンスを得る。
  論文  参考訳（メタデータ） (2025-10-14T17:59:54Z)
• R1-Track: Direct Application of MLLMs to Visual Object Tracking via Reinforcement Learning [5.59181512260003]
  単一のオブジェクト追跡は、その後のビデオフレームにおけるターゲットのスケールを連続的にローカライズし、推定することを目的としている。 Qwen2.5-VLはイメージペア間のテンプレートマッチングに苦労している。 グループ相対政策最適化(GRPO)強化学習法を用いてQwen2.5-VLを微調整した。 結果として得られたR1-Trackは、GOT-10kベンチマークで顕著な性能を達成した。
  論文  参考訳（メタデータ） (2025-06-27T07:41:15Z)
• T2SG: Traffic Topology Scene Graph for Topology Reasoning in Autonomous Driving [26.038699227233227]
  交通トポロジシーングラフ(Traffic Topology Scene Graph)は、路面を明示的にモデル化し、異なる路面信号で制御し、ガイドする統一されたシーングラフである。 T2SGの生成のために,新たに2つのレイヤが設計された新しいトポロジーシーングラフトランスフォーマーであるTopoFormerを提案する。
  論文  参考訳（メタデータ） (2024-11-28T03:55:50Z)
• Robust Saliency-Aware Distillation for Few-shot Fine-grained Visual Recognition [57.08108545219043]
  サンプルが少ない新しいサブカテゴリを認識することは、コンピュータビジョンにおいて不可欠で挑戦的な研究課題である。 既存の文献は、ローカルベースの表現アプローチを採用することでこの問題に対処している。 本稿では,ロバスト・サリエンシ・アウェア蒸留法(RSaD)を提案する。
  論文  参考訳（メタデータ） (2023-05-12T00:13:17Z)
• Unifying Tracking and Image-Video Object Detection [54.91658924277527]
  TrIVD (Tracking and Image-Video Detection) は、画像OD、ビデオOD、MOTを1つのエンドツーエンドモデルに統合する最初のフレームワークである。 カテゴリラベルの相違やセマンティックな重複に対処するため、TrIVDは対象カテゴリに対する検出/追跡を基礎と理由として定式化している。
  論文  参考訳（メタデータ） (2022-11-20T20:30:28Z)
• Joint Spatial-Temporal and Appearance Modeling with Transformer for Multiple Object Tracking [59.79252390626194]
  本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。 提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-05-31T01:19:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。