論文の概要: DART: A Vision-Language Foundation Model for Comprehensive Rope Condition Monitoring

• arxiv url: http://arxiv.org/abs/2605.04943v1
• Date: Wed, 06 May 2026 14:12:02 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-07 18:41:07.860237
• Title: DART: A Vision-Language Foundation Model for Comprehensive Rope Condition Monitoring
• Title（参考訳）: DART:総合的なロープ条件モニタリングのためのビジョンランゲージ基礎モデル
• Abstract要約: DART(Damage Assessment via Rope Transformer)は,マルチタスクアーキテクチャによる全ロープ検査に対処する視覚制御基盤モデルである。 HD-MASK(英: HD-MASK)は、ダメージ・ディエンス・パッチの自己言語再構築に焦点を当てたサリエンシ誘導型マスキング戦略である。 DARTは、分類を超えた汎用CMバックボーンとして機能し、単一の共有表現から実行可能なインスペクションインテリジェンスを提供する。
• 参考スコア（独自算出の注目度）: 2.8993790400286876
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The condition monitoring (CM) of synthetic fibre ropes (SFRs) used in offshore, maritime, and industrial settings demands more than a classifier: inspectors need continuous severity estimates, maintenance recommendations, anomaly flags, deterioration timelines, and automated reports, all from a single inspection image. We present DART (Damage Assessment via Rope Transformer), a vision-language foundation model that addresses the full rope inspection workflow through a unified multi-task architecture. DART extends the Joint-Embedding Predictive Architecture (JEPA) to the cross-modal domain by coupling a Vision Transformer (ViT-H/14) with Llama-3.2-3B-Instruct via a Severity-Conditioned Cross-Modal Fusion (SC-CMF) module. Three architectural innovations drive the model's versatility: (1) HD-MASK, a saliency-guided masking strategy that focuses self-supervised reconstruction on damage-dense patches; (2) per-class learnable severity gates that adaptively weight language grounding by damage category; and (3) a Contrastive Damage Disentanglement (CDD) loss that shapes the embedding space to simultaneously encode damage type, severity ordering, and cross-modal semantics. Trained once on 4,270 images spanning 14 fine-grained rope damage classes, the frozen DART backbone supports downstream tasks without any task-specific fine-tuning: damage classification (93.22 % accuracy, 91.04 % macro-F1, +38.5 pp over a vision-only baseline), continuous severity regression (Spearman rho = 0.94, within-1-ordinal accuracy 99.6 %), few-shot recognition (89.2 % macro-F1 at 20 shots). These results demonstrate that DART functions as a general-purpose CM backbone that goes well beyond classification, providing actionable inspection intelligence from a single shared representation.
• Abstract（参考訳）: 沖合、海上および工業で使用される合成繊維ロープ(SFR)の条件監視(CM)は、分類器以上の要求を要求している: 検査官は、連続的な重大度推定、保守勧告、異常フラグ、劣化時期、自動報告を、1つの検査画像から要求する。 本稿では,DART(Damage Assessment via Rope Transformer)について述べる。 DARTは、Severity-Conditioned Cross-Modal Fusion (SC-CMF)モジュールを介してVision Transformer (ViT-H/14)とLlama-3.2-3B-Instructを結合することにより、JEPA(Joint-Embedding Predictive Architecture)をクロスモーダルドメインに拡張した。 3つのアーキテクチャ革新がモデルの汎用性を促進する:(1)ダメージ・ディエンス・パッチの自己教師型再構築に焦点を当てた衛生誘導マスキング戦略であるHD-MASK、(2)損傷カテゴリーによって言語を適応的に重み付けするクラスごとの学習可能な重度ゲート、(3)損傷タイプ、重度順序付け、および相互意味論を同時にエンコードするために埋め込み空間を形作るContrastive damage Disentanglement(CDD)損失。 損傷分類(93.22 %精度、91.04 %マクロF1、+38.5 pp、ビジョンのみのベースライン)、連続重大回帰(Spearman rho = 0.94、通常精度99.6 %)、少数ショット認識(89.2 %マクロF1、20ショット)。 これらの結果は、DARTが汎用CMバックボーンとして機能し、分類を超えて、単一の共有表現から実行可能なインスペクションインテリジェンスを提供することを示した。

関連論文リスト

• CODE: Cross-Modal Calibration and Dynamic Suppression for Open World Object Detection [8.581460828563534]
  マルチモーダル基礎モデル上に構築されたオープンワールドオブジェクト検出(OWOD)は、一方向のテキストとビジョンのマッチングによって生じる意味的曖昧さに悩まされることが多い。 CODE (Cross-Modal and Dynamic Suppression) は3つの相補的なコンポーネントを持つ統合された推論時間フレームワークである。
  論文  参考訳（メタデータ） (2026-08-27T14:56:19Z)
• Sensitivity, Causality, and Repair Dissociate: A Layer-Wise Analysis of Perturbation Robustness and Its Scaling [0.0]
  言語モデルが表面摂動入力で失敗すると、"どの層が責任を持つか"は3つの自然な操作を持つことを示す。 スパイク・アンド・プレッシャーと遅延累積の2つの伝播機構を同定する。 4つのモデル(3.8-8B)にまたがる固定ハーネス層は、GSM8Kのコア予測を裏付ける。
  論文  参考訳（メタデータ） (2026-08-04T15:48:55Z)
• Dual Adversarial Fine-tuning for Enhancing Robustness of Large Vision Language Model [73.59026525350808]
  2つのモードからの視覚的および意味的な監視信号を協調的に最適化する二重対向微調整フレームワークを提案する。 本手法は, ゼロショット分類, 画像キャプション, 視覚的質問応答タスクにおいて, 対向ロバスト性評価における最先端手法よりも優れている。
  論文  参考訳（メタデータ） (2026-07-21T10:49:29Z)
• Where, What, Why, and Importance: Structured Defect Grounding for Text-to-Image Feedback [51.08692072066352]
  テキスト・トゥ・イメージ(T2I)モデルは依然として局所的で微妙で構造的に複雑な失敗を示す。 構造的欠陥接地は, 各欠陥を位置, タイプ, 理由, 重要性としてモデル化し, 構造的集合予測としてT2Iの診断を行う。 我々の検出器は、構造欠陥接地におけるプロプライエタリなVLMよりも優れています。
  論文  参考訳（メタデータ） (2026-06-04T13:03:16Z)
• Monitoring Agentic Systems Before They're Reliable [0.7422381022274628]
  運用に入るエージェントシステムは、通常、部分的に統合されたアセンブリとして機能し、構造上の欠陥はタスクレベルのエラーではなく、障害のランドスケープを支配します。 本稿では,エージェントシステム評価を3次元(品質,適合性,効率)に分割するモニタリング・トリアージ手法を提案する。 発見は、FMEAに適合した重度分類によってルートされ、調査を保証しているサブセットに人間の注意を集中させる。
  論文  参考訳（メタデータ） (2026-06-01T17:01:53Z)
• Morphology-Guided Cross-Task Coupling for Joint Building Height and Footprint Estimation [0.0]
  建築高さ(BH)と建築フットプリント(BF)は、建設環境の垂直および水平範囲を共同で記述する。 このクロスタスク結合を明示的に符号化することは、個々のエンコーダをさらに洗練するよりも影響が大きい、と我々は主張する。 2つの相補的なメカニズムを中心に構築された共同BH/BF推定フレームワークであるMorphoFormerを提案する。
  論文  参考訳（メタデータ） (2026-05-06T10:31:16Z)
• Text-Guided Multimodal Unified Industrial Anomaly Detection [71.95719669933312]
  そこで本研究では,テキストセマンティクスによって導かれる多モーダル産業異常検出フレームワークを提案する。 フレームワークは、Geometry-Aware Cross-Modal MapperとObject-Conditioned Textual Feature Adaptorの2つのコアモジュールで構成されている。 本手法は,教師なし環境下での分類とローカライゼーションにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-04-24T13:21:22Z)
• Claw-Eval: Toward Trustworthy Evaluation of Autonomous Agents [66.97968363332465]
  エージェントベンチマークの3つのギャップに対処するエンドツーエンド評価スイートであるClaw-Evalを紹介した。 Claw-Evalは3つのグループにまたがる9つのカテゴリにまたがる300の人間検証タスクで構成されている。 すべてのエージェントアクションは、3つの独立したエビデンスチャネルを通じて記録される。
  論文  参考訳（メタデータ） (2026-04-07T17:43:18Z)
• LeWorldModel: Stable End-to-End Joint-Embedding Predictive Architecture from Pixels [49.35636088613484]
  JEPA(Joint Embedding Predictive Architectures)は、コンパクトな潜在空間で世界モデルを学習するための魅力的なフレームワークを提供する。 最初のJEPAであるLeModelWorldを紹介します。 数時間で1つのGPU上で15万のパラメータをトレーニングできるため、LeWMはファンデーションモデルベースの世界モデルよりも48倍高速に計画している。
  論文  参考訳（メタデータ） (2026-03-13T19:48:14Z)
• Cross-Modal Mapping and Dual-Branch Reconstruction for 2D-3D Multimodal Industrial Anomaly Detection [6.632019014616859]
  textbfCMDR-IADは、2D+3Dマルチモーダルおよび単一モダリティ設定における信頼性の高い異常検出のための教師なしフレームワークである。 CMDR-IADは、メモリバンクなしで動作しながら最先端のパフォーマンスを実現し、イメージレベルのAUROC(I-AUROC)97.3%、ピクセルレベルのAUROC(P-AUROC)99.6%、AUPRO97.6%に達した。
  論文  参考訳（メタデータ） (2026-03-04T10:57:32Z)
• D3R-Net: Dual-Domain Denoising Reconstruction Network for Robust Industrial Anomaly Detection [0.0]
  非教師付き異常検出(UAD)は、現代の製造において、自動視覚検査の鍵となる要素である。 本稿では、D3R-Netについて紹介する。D3R-Netは、自己教師型「癒し」タスクと周波数認識正規化を結合したデュアルドメイン・デノベーション・コンストラクションフレームワークである。 空間平均二乗誤差に加えて、周波数領域の整合性を促進するFast Fourier Transform (FFT) 等級損失を用いる。
  論文  参考訳（メタデータ） (2026-01-27T23:21:59Z)
• ForensicsSAM: Toward Robust and Unified Image Forgery Detection and Localization Resisting to Adversarial Attack [56.0056378072843]
  高い転送性を持つ逆画像は上流モデルでのみ作成可能であることを示す。 本稿では,IFDLフレームワークを組み込んだForensicsSAMを提案する。
  論文  参考訳（メタデータ） (2025-08-10T16:03:44Z)
• Backdoor Cleaning without External Guidance in MLLM Fine-tuning [76.82121084745785]
  Believe Your Eyes (BYE)は、アテンションエントロピーパターンを自己教師信号として活用して、バックドアサンプルを特定してフィルタリングするデータフィルタリングフレームワークである。 クリーンタスクのパフォーマンスを維持しながら、ほぼゼロの攻撃成功率を達成する。
  論文  参考訳（メタデータ） (2025-05-22T17:11:58Z)
• Overlap-Aware Feature Learning for Robust Unsupervised Domain Adaptation for 3D Semantic Segmentation [9.578322021478426]
  3Dポイントクラウドセマンティックセグメンテーション(PCSS)は、ロボットシステムと自律運転における環境認識の基礎である。 既存の方法は、現実の摂動(例えば、雪、霧、雨)と敵の歪みに固有の脆弱性を批判的に見落としている。 この研究は、まず、現在のPCSS-UDAロバスト性を損なう2つの本質的な制限を特定する。 1) 強靭性指標による敵攻撃・破壊タイプに対するレジリエンスを定量化する頑健性評価モデル,2) 注意誘導重複抑制による識別構造を維持しつつ,双方向のドメインマッピングを可能にする非可逆的注意アライメントモジュール(IAAM) とからなる三部構成のフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-02T12:16:23Z)

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。