論文の概要: Can Machines Really See Objects in Images? A Study Based on Syntactic Distance and Visual Self-Referential Instances
- arxiv url: http://arxiv.org/abs/2606.29416v1
- Date: Sun, 28 Jun 2026 14:27:40 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-06-30 18:07:15.907545
- Title: Can Machines Really See Objects in Images? A Study Based on Syntactic Distance and Visual Self-Referential Instances
- Title（参考訳）: 機械は画像中の物体を実際に見ることができるか? : 構文距離と視覚的自己参照事例に基づく研究
- Abstract要約: そのような局所的な手がかりが区別の安定な基盤を提供しない場合、モデルが依然として正しく分類できるかどうかを問う。
ResNetとVision Transformersの実験では、一貫した位相遷移現象が明らかになった。
結果は、汎用インテリジェンスは、既存の言語を再利用するのではなく、新しい言語を作成する必要があることを示唆している。
- 参考スコア（独自算出の注目度）: 53.65561607407989
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Can a vision model truly see an object, or does it only fit surface-level visual cues? Following Wittgenstein's view that the limits of language are the limits of the world, we view a model's recognition ability as bounded by the descriptive system it has learned. In current vision models, this system is often realized through learned feature representations that exploit local statistical cues. We therefore ask whether a model can still classify correctly when such local cues provide no stable basis for distinction. We formalize this question with syntactic distance, which measures class separability through the symmetry of the operations mapping one class to the other: positive distance exposes exploitable local features, whereas zero distance requires global semantics rather than local rules. We construct a visual self-referential task in maximum-variance binary noise: positive samples contain a closed square, while negative samples contain an otherwise identical square with one flipped boundary pixel. The two classes differ in global semantics but have zero syntactic distance, making local statistical shortcuts unreliable. Experiments on ResNets and Vision Transformers reveal a consistent phase-transition phenomenon, with accuracy collapsing to random guessing once the image scale crosses a critical point and does not recover within the tested range. Larger training sets and models only delay this collapse, while globally attentive ViTs reach it earlier. These results reveal a structural capability boundary of current architectures on global-concept tasks, suggesting that general intelligence may require creating new language, not reusing an existing one.
- Abstract（参考訳）: 視覚モデルは本当にオブジェクトを見ることができるのか、それとも表面レベルの視覚的手がかりにのみ適合するのか?
ウィトゲンシュタインの言葉の限界は世界の限界であるという見解に従うと、我々はモデルの認識能力は学習した記述体系に縛られているとみなす。
現在の視覚モデルでは、このシステムは局所的な統計的手がかりを利用する学習された特徴表現によってしばしば実現される。
したがって、そのような局所的な手がかりが区別の安定な基盤を提供しない場合、モデルが依然として正しく分類できるかどうかを問う。
我々はこの問題を、あるクラスを他方にマッピングする操作の対称性を通じてクラス分離性を測定する構文的距離で定式化する: 正距離は悪用可能な局所的特徴を露呈するが、零距離は局所的規則よりも大域的意味論を必要とする。
正のサンプルは閉じた正方形を含むが、負のサンプルは1つの反転境界画素を持つ同一の正方形を含む。
2つのクラスはグローバルセマンティクスでは異なるが、構文的距離がゼロであり、局所的な統計的ショートカットは信頼できない。
ResNetsとVision Transformersの実験では、画像スケールが臨界点を越え、テスト範囲内で回復しないときにランダムな推測に失敗する、一貫した位相遷移現象が明らかになった。
大規模なトレーニングセットとモデルは、この崩壊を遅らせるだけであり、世界中の注意深いViTはそれより早く到達する。
これらの結果から,グローバルコンセプトタスクにおける現在のアーキテクチャの構造的機能境界が明らかになった。
関連論文リスト
- Z-FLoc: Zero-Shot Floorplan Localization via Geometric Primitives [72.63181031215858]
そこで本研究では,ゼロショットフロアプランのローカライズ手法を提案する。
我々の重要な洞察は、支配的な幾何学的プリミティブが人間が作った環境でユビキタスであることである。
シミュレーションと実世界の両方のデータセットの実験により、我々のアプローチは、目に見えない環境における最先端の学習ベースの手法よりも優れています。
論文 参考訳（メタデータ） (2026-06-03T12:14:24Z) - Seeing Isn't Knowing: Do VLMs Know When Not to Answer Spatial Questions (and Why)? [72.2500547961037]
空間推論は視覚言語モデル(VLM)が現実世界の環境に展開する基本的な能力である。
対象情報を隠蔽するオクルージョン(Occlusion)と、誤解を招く視覚的手がかりを生成する視点曖昧性(spective ambiguity)の2つのタイプの観察課題を紹介した。
各構成について、クリーンな観察では答えられるが、導入した課題では無視する必要がある空間的質問を設計する。
論文 参考訳（メタデータ） (2026-05-28T20:44:47Z) - Back into Plato's Cave: Examining Cross-modal Representational Convergence at Scale [40.31924374728614]
プラトン表現仮説(Platonic Representation hypothesis)は、異なるモダリティで訓練されたニューラルネットワークが一致し、最終的に同じ現実の表現に向かって収束することを示唆している。
この仮説の実験的証拠は脆弱であり, 評価体制に大きく依存していることが示唆された。
論文 参考訳（メタデータ） (2026-04-20T17:56:02Z) - TopoPerception: A Shortcut-Free Evaluation of Global Visual Perception in Large Vision-Language Models [11.7808701773328]
LVLM(Large Vision-Language Models)は通常、エンコーダから学習済みのLarge Language Model(LLM)に視覚的特徴を合わせる。
本稿では,LVLMのグローバルな視覚知覚能力を評価するために,トポロジカルな特性を利用するベンチマークであるTopoPerceptionを紹介する。
TopoPerception上での最先端モデルの評価を行い、最も粗い知覚の粒度であっても、全てのモデルがランダムな確率よりは良くないことを示す。
論文 参考訳（メタデータ） (2025-11-14T19:45:56Z) - Epsilon: Exploring Comprehensive Visual-Semantic Projection for Multi-Label Zero-Shot Learning [23.96220607033524]
マルチラベルシナリオ(MLZSL)におけるゼロショット学習の課題について検討する。
観察されたクラスと補助的な知識に基づいて、サンプル内の複数の見えないクラスを認識するように訓練されている。
本稿では,エプシロンと呼ばれるMLZSLのための新しいビジュアル・セマンティック・フレームワークを提案する。
論文 参考訳（メタデータ） (2024-08-22T09:45:24Z) - Probabilistic World Modeling with Asymmetric Distance Measure [0.3021678014343889]
距離関数の学習は、表現空間における計画と推論を可能にするために不可欠であることを示す。
状態到達性を反映した非対称な類似関数を学習し、多方向確率的推論を可能にする。
共通参照状態に条件付けすることで、学習された表現空間は、ほんの一握りの経路しか通過できない幾何学的に健全な状態を発見することができる。
論文 参考訳（メタデータ） (2024-03-16T09:58:49Z) - Stochastic Coherence Over Attention Trajectory For Continuous Learning
In Video Streams [64.82800502603138]
本稿では,映像ストリーム中のピクセルワイズ表現を段階的かつ自律的に開発するための,ニューラルネットワークに基づく新しいアプローチを提案する。
提案手法は, 参加者の入場地を観察することで, エージェントが学習できる, 人間の様の注意機構に基づく。
実験では,3次元仮想環境を利用して,映像ストリームを観察することで,エージェントが物体の識別を学べることを示す。
論文 参考訳（メタデータ） (2022-04-26T09:52:31Z) - Synthesizing the Unseen for Zero-shot Object Detection [72.38031440014463]
そこで本研究では,視覚領域における視覚的特徴と視覚的対象の両方を学習するために,視覚的特徴を合成することを提案する。
クラスセマンティックスを用いた新しい生成モデルを用いて特徴を生成するだけでなく,特徴を識別的に分離する。
論文 参考訳（メタデータ） (2020-10-19T12:36:11Z) - Global-Local Bidirectional Reasoning for Unsupervised Representation
Learning of 3D Point Clouds [109.0016923028653]
局所構造とグローバル形状の双方向推論による点雲表現を人間の監督なしに学習する。
本研究では, 実世界の3次元オブジェクト分類データセットにおいて, 教師なしモデルが最先端の教師付き手法を超越していることを示す。
論文 参考訳（メタデータ） (2020-03-29T08:26:08Z)
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。