論文の概要: Evaluating Vision-Language Models as a Zero-Shot Learning Alternative to You Only Look Once and Optical Character Recognition for Nigerian License Plate Recognition

• arxiv url: http://arxiv.org/abs/2607.02025v1
• Date: Thu, 02 Jul 2026 10:55:24 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-03 19:45:08.79703
• Title: Evaluating Vision-Language Models as a Zero-Shot Learning Alternative to You Only Look Once and Optical Character Recognition for Nigerian License Plate Recognition
• Title（参考訳）: 一度しか見えないゼロショット学習代替としての視覚言語モデルの評価とナイジェリアのライセンスプレート認識のための光学的文字認識
• Abstract要約: 本研究では、ナイジェリアのナンバープレート認識のための統合ゼロショット学習ソリューションとして、ビジョン・ランゲージ・モデル(VLM)の可能性を探る。 Gemini 2.0 Flash Exp (Google DeepMind), Qwen2.5-VL-7B-Instruct (Alibaba), GPT-4o (OpenAI), Claude 4 Sonnet (Anthropic), Llama 3.2 Vision 90b (Meta)の5つの選択されたVLMを評価した。 キャラクタエラーレート (CER) に基づく結果から,Gemini と Qwen は,難解な画像シナリオにおいて,精度とロバスト性の両方で他のモデルよりも大幅に優れていたことが判明した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: License Plate Recognition (LPR) systems are critical tools in traffic monitoring, security enforcement, and urban mobility management. Traditional LPR systems often rely on a multi-stage pipeline involving object detection using You Only Look Once (YOLO) and Optical Character Recognition (OCR), which suffer from limitations such as high resource demands, poor performance in unstructured environments, and the need for large annotated datasets. This study explores the potential of Vision-Language Models (VLMs) as a unified, zeroshot learning solution for Nigerian license plate recognition. Using a curated dataset of 88 challenging real-world images collected in Nigeria, we evaluate five selected VLMs: Gemini 2.0 Flash Exp (Google DeepMind), Qwen2.5-VL-7B-Instruct (Alibaba), GPT-4o (OpenAI), Claude 4 Sonnet (Anthropic), and Llama 3.2 Vision 90b (Meta). Results based on Character Error Rate (CER) reveal that Gemini and Qwen significantly outperform other models in both accuracy and robustness, on the challenging image scenarios. This work highlights the practical advantages of VLMs over YOLO+OCR, questions the claims by model providers, and compares the performances of the VLMs.
• Abstract（参考訳）: ライセンスプレート認識(LPR)システムは、交通監視、セキュリティ強化、都市移動管理において重要なツールである。 従来のLPRシステムは、You Only Look Once(YOLO)とOCR(OCR)を使ったオブジェクト検出を含む多段階パイプラインに依存しており、これは高いリソース要求、非構造化環境での性能の低下、大規模なアノテーション付きデータセットの必要性といった制限に悩まされている。 本研究では、ナイジェリアのナンバープレート認識のための統合ゼロショット学習ソリューションとして、ビジョン・ランゲージ・モデル(VLM)の可能性を探る。 Gemini 2.0 Flash Exp (Google DeepMind)、Qwen2.5-VL-7B-Instruct (Alibaba)、GPT-4o (OpenAI)、Claude 4 Sonnet (Anthropic)、Llama 3.2 Vision 90b (Meta)の5つの選択されたVLMを、ナイジェリアで収集された88の実際の画像のキュレートデータセットを用いて評価した。 キャラクタエラーレート (CER) に基づく結果から,Gemini と Qwen は,難解な画像シナリオにおいて,精度とロバスト性の両方で他のモデルよりも大幅に優れていたことが判明した。 本研究は, YOLO+OCRに対するVLMの実用的優位性を強調し, モデル提供者の主張に疑問を呈し, VLMの性能を比較した。

関連論文リスト

• Sign Language Recognition in the Age of LLMs [0.2609784101826761]
  近年の視覚言語モデル (VLM) は多モーダルな推論タスクにおいて高い性能を示した。 ゼロショット設定で手話認識を行うための現代のVLMの能力について検討する。
  論文  参考訳（メタデータ） (2026-04-13T09:26:16Z)
• HALP: Detecting Hallucinations in Vision-Language Models without Generating a Single Token [4.2940165358265086]
  幻覚は視覚言語モデル(VLM)にとって永続的な課題である。 モデルの内部表現を1つの前方通過で探索することにより,トークンが発生する前に幻覚リスクを予測できるかどうかを検討する。
  論文  参考訳（メタデータ） (2026-03-05T18:36:31Z)
• UAOR: Uncertainty-aware Observation Reinjection for Vision-Language-Action Models [25.401818528256232]
  Uncertainty-Aware Observation Reinjection (UAOR) は、Vision-Language-Action (VLA) モデルのための、効果的で、トレーニングのない、プラグアンドプレイモジュールである。 シミュレーションや実世界のタスクにおいて,オーバーヘッドを最小限に抑えながら多様なVLAモデルを継続的に改善する。
  論文  参考訳（メタデータ） (2026-02-20T06:22:21Z)
• SSL4RL: Revisiting Self-supervised Learning as Intrinsic Reward for Visual-Language Reasoning [88.9014727048442]
  SSL4RLは、自己教師付き学習タスクをRLベースの微調整のための検証可能な報酬の源として活用する、新しいフレームワークである。 提案手法では,イメージローテーションの予測やマスク付きパッチの再構築といったSSLの目的を,高密度で自動的な報酬信号に変換する。 実験の結果、SSL4RLは視覚中心の推論ベンチマークと視覚言語推論ベンチマークの両方のパフォーマンスを大幅に改善することが示された。
  論文  参考訳（メタデータ） (2025-10-18T09:22:40Z)
• Pixels to Principles: Probing Intuitive Physics Understanding in Multimodal Language Models [5.134872455507186]
  本稿では,直感的な物理課題に対するMLLM(State-of-the-the-art multimodal large language model)の体系的評価について述べる。 オープンソースモデルであるInternVL 2.5、Qwen 2.5 VL、LLaVA-OneVision、およびプロプライエタリなGemini 2.0 Flash Thinkingを評価した。 最新のモデルでさえ、不確実なシナリオと物理的に妥当な区別を確実にするのに苦労している。
  論文  参考訳（メタデータ） (2025-07-22T13:24:42Z)
• VHELM: A Holistic Evaluation of Vision Language Models [75.88987277686914]
  視覚言語モデル(VHELM)の全体的評価について述べる。 VHELMは、視覚的知覚、知識、推論、バイアス、公平性、多言語性、堅牢性、毒性、安全性の9つの側面の1つ以上をカバーするために、さまざまなデータセットを集約する。 私たちのフレームワークは軽量で自動で、評価の実行が安価で高速に行えるように設計されています。
  論文  参考訳（メタデータ） (2024-10-09T17:46:34Z)
• VEGA: Learning Interleaved Image-Text Comprehension in Vision-Language Large Models [76.94378391979228]
  我々は、Interleaved Image-Text (IITC) と呼ばれる、より要求の多い新しいタスクを導入する。 この課題は、画像とテキストの両方の過剰な要素を識別・無視し、質問に正確に答えるためにモデルに挑戦する。 このタスクを支援するために、科学コンテンツに関するIITCタスクに適した新しいVEGAデータセットを構築し、サブタスクである画像テキストアソシエーション(ITA)を考案した。
  論文  参考訳（メタデータ） (2024-06-14T17:59:40Z)
• VLM-PL: Advanced Pseudo Labeling Approach for Class Incremental Object Detection via Vision-Language Model [9.122593534510512]
  VLM-PL(Vision-Language Model Assisted Pseudo-Labeling)を紹介する。 この手法は視覚言語モデル(VLM)を用いて、追加のモデルトレーニングを必要とせず、擬似接地真実(GT)の正しさを検証する。 VLM-PLは改良された擬似GTと実GTを統合し、新しい知識と古い知識を効果的に組み合わせている。
  論文  参考訳（メタデータ） (2024-03-08T14:23:00Z)
• Finer: Investigating and Enhancing Fine-Grained Visual Concept Recognition in Large Vision Language Models [57.95366341738857]
  詳細な分析では、命令調整されたLVLMはモダリティギャップを示し、同じ概念に対応するテキスト入力と視覚入力の相違を示す。 我々は,LVLMの細粒度視覚理解能力を評価するために,複数の属性中心評価ベンチマークであるFinerを提案し,説明可能性を大幅に改善した。
  論文  参考訳（メタデータ） (2024-02-26T05:43:51Z)
• Prismatic VLMs: Investigating the Design Space of Visually-Conditioned Language Models [73.40350756742231]
  視覚条件付き言語モデル(VLM)は、視覚対話、シーン理解、ロボットタスク計画などのアプリケーションに採用されている。 新しいリリースの量は多いが、イメージ前処理、アーキテクチャ、最適化に関する重要な設計決定は未調査である。
  論文  参考訳（メタデータ） (2024-02-12T18:21:14Z)
• Machine Vision Therapy: Multimodal Large Language Models Can Enhance Visual Robustness via Denoising In-Context Learning [67.0609518552321]
  本稿では,視覚モデルからノイズ予測を補正するマシンビジョンセラピーを提案する。 復調ラベルを微調整することにより、教師なしの方法で学習モデルの性能を高めることができる。
  論文  参考訳（メタデータ） (2023-12-05T07:29:14Z)
• Vision-Language Models for Vision Tasks: A Survey [62.543250338410836]
  視覚言語モデル(VLM)は、Webスケールの画像テキストペアからリッチな視覚言語相関を学習する。 本稿では,視覚認知タスクにおける視覚言語モデルの体系的レビューを行う。
  論文  参考訳（メタデータ） (2023-04-03T02:17:05Z)

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。