論文の概要: Structured-Condensed Prompt Tuning in Vision-Language Models for Fine-grained Image Recognition

• arxiv url: http://arxiv.org/abs/2607.06185v1
• Date: Tue, 07 Jul 2026 12:09:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-08 21:24:51.508517
• Title: Structured-Condensed Prompt Tuning in Vision-Language Models for Fine-grained Image Recognition
• Title（参考訳）: 微細な画像認識のための視覚言語モデルにおける構造凝縮プロンプトチューニング
• Abstract要約: 微粒な画像認識は、手動のアノテーションに必要な相当な専門知識と努力のために重要な課題である。 現在のメソッドでは、クラスラベルを独立した独立したエンティティとして扱い、それらの間のリッチなセマンティックな関係を見渡しています。 本稿では,素早い学習における意味的構造モデリングの強化を目的としたSCPT(Structured-Condensed Prompt Tuning)を提案する。
• 参考スコア（独自算出の注目度）: 38.294322671641545
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Fine-grained image recognition poses a significant challenge due to the substantial expertise and effort required for manual annotation. Vision-language models (VLMs) like CLIP provide a compelling zero-shot alternative, reducing reliance on extensive labeled data. However, their ability to capture subtle distinctions remains limited, leading to subpar recognition performance. While prompt tuning has proven effective for adapting VLMs, most existing methods treat class labels as isolated, discrete entities, overlooking the rich semantic relationships between them. This oversimplified assumption limits the model's ability to capture hierarchical dependencies and inter-class correlations -- both critical for distinguishing visually similar categories. The problem is especially acute in fine-grained classification, where accurate recognition depends on understanding complex label semantics. To address this, we propose Structured-Condensed Prompt Tuning (SCPT), which enhances semantic structure modeling in prompt learning. Specifically, we introduce Semantic Relation Encoding (SRE) to explicitly model inter-class semantic topology and encode structured label relationships. In parallel, we design a Semantic Condensation loss (ScLoss) to suppress redundant supervision and extract discriminative components from the global semantic space. Together, these components significantly improve semantic alignment and fine-grained discrimination. Extensive experiments on 14 fine-grained benchmarks show that SCPT effectively mitigates semantic ambiguity and achieves state-of-the-art performance in both few-shot and base-to-novel generalization settings.
• Abstract（参考訳）: きめ細かい画像認識は、手動のアノテーションに必要な相当な専門知識と努力のために大きな課題となる。 CLIPのような視覚言語モデル(VLM)は、広範囲なラベル付きデータへの依存を減らし、説得力のあるゼロショットの代替手段を提供する。 しかし、微妙な区別を捉える能力は依然として限られており、認識性能は低い。 プロンプトチューニングはVLMの適応に有効であることが証明されているが、既存のほとんどのメソッドは、クラスラベルを独立した独立したエンティティとして扱い、それらの間のリッチなセマンティックな関係を見渡す。 この過度に単純化された仮定は、階層的依存関係とクラス間の相関をキャプチャするモデルの能力を制限します。 正確な認識は、複雑なラベルのセマンティクスを理解することに依存する。 そこで本研究では,素早い学習において意味構造をモデル化するSCPT(Structured-Condensed Prompt Tuning)を提案する。 具体的にはセマンティックリレーショナルエンコーディング(SRE)を導入し,クラス間セマンティックトポロジを明示的にモデル化し,構造化ラベル関係をエンコードする。 並列にセマンティック凝縮損失(ScLoss)を設計し、冗長な監視を抑え、グローバルな意味空間から識別成分を抽出する。 これらのコンポーネントは、セマンティックアライメントときめ細かい識別を大幅に改善する。 14のきめ細かいベンチマーク実験により、SCPTは意味的あいまいさを効果的に軽減し、いくつかのショットとベース・ツー・ノーベルの一般化設定の両方で最先端のパフォーマンスを達成することが示された。

関連論文リスト

• Learning a Semantic Calibration Network for Open-Vocabulary Semantic Segmentation [5.122331812021513]
  Open-Vocabulary (OVS) は、セグメンテーションタスクを固定集合から開集合に拡張する。 オープン語彙セマンティックセマンティックスセグメンテーションのための新しいセマンティックネットワーク(SCN)を提案する。 提案手法は,最先端のアルゴリズムと比較して,大幅な性能向上を実現している。
  論文  参考訳（メタデータ） (2026-06-06T06:42:03Z)
• The Finer the Better: Towards Granular-aware Open-set Domain Generalization [31.197204515055756]
  オープンセットドメインの一般化は、デプロイされたモデルがドメインシフトと新しいオブジェクトカテゴリの両方に遭遇する現実的なシナリオに取り組む。 既存の手法は、未知のクラスの構造的リスクと未知のクラスの構造的リスクの間のジレンマに依然として陥る。 本稿では, セマンティック・エンハンスメントを用いたCLIPフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-11-21T06:19:19Z)
• What Makes You Unique? Attribute Prompt Composition for Object Re-Identification [70.67907354506278]
  Object Re-IDentificationは、重複しないカメラビューで個人を認識することを目的としている。 単一ドメインモデルはドメイン固有の機能に過度に適合する傾向がありますが、クロスドメインモデルは多種多様な正規化戦略に依存します。 本稿では,テキストのセマンティクスを利用して識別と一般化を協調的に強化する属性プロンプト合成フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-23T07:03:08Z)
• Vocabulary-free Fine-grained Visual Recognition via Enriched Contextually Grounded Vision-Language Model [52.01031460230826]
  伝統的なアプローチは固定語彙と閉集合分類パラダイムに大きく依存している。 近年の研究では、大規模言語モデルと視覚言語モデル(VLM)を組み合わせることで、オープンセット認識が可能であることが実証されている。 そこで本研究では,精密な視覚認識のための最先端の手法であるEnriched-FineRを提案する。
  論文  参考訳（メタデータ） (2025-07-30T20:06:01Z)
• Semantic-Aware Representation Learning via Conditional Transport for Multi-Label Image Classification [8.864897133482907]
  本稿では,マルチラベル画像分類のための条件付きトランスポートを用いたセマンティック認識表現学習という新しい手法を提案する。 提案手法では,意味的関連性と相互作用を強調することによって,識別的ラベル固有の特徴を抽出する意味的関連性学習モジュールを提案する。 2つの広く使われているベンチマークデータセットであるVOC2007とMS-COCOの実験は、SCTの有効性を検証し、既存の最先端手法と比較して優れた性能を示した。
  論文  参考訳（メタデータ） (2025-07-20T11:15:24Z)
• ATAS: Any-to-Any Self-Distillation for Enhanced Open-Vocabulary Dense Prediction [7.353998772647553]
  Any-to-Any Self-Distillation (ATAS)は、セマンティックコヒーレンスときめ細かいアライメントを同時に強化する新しいアプローチである。 ATASはオープン語彙オブジェクト検出とセマンティックセグメンテーションのベンチマークでかなりの性能向上を達成した。
  論文  参考訳（メタデータ） (2025-06-10T10:40:10Z)
• Beyond Words: Augmenting Discriminative Richness via Diffusions in Unsupervised Prompt Learning [23.129998055266245]
  現在の擬似ラベル戦略は、しばしば意味情報と視覚情報のミスマッチに苦しむ。 textbfAugmenting Dtextbfiscriminative textbfRichness via Diffusions (AiR)
  論文  参考訳（メタデータ） (2025-04-16T10:09:45Z)
• Towards Realistic Zero-Shot Classification via Self Structural Semantic Alignment [53.2701026843921]
  大規模事前訓練型視覚言語モデル(VLM)はゼロショット分類に有効であることが証明されている。 本稿では,アノテーションではなく,より広い語彙を前提とした,より難易度の高いゼロショット分類(Realistic Zero-Shot Classification)を提案する。 本稿では,ラベルのないデータから構造意味情報を抽出し,同時に自己学習を行う自己構造意味アライメント(S3A)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-08-24T17:56:46Z)
• Advancing Incremental Few-shot Semantic Segmentation via Semantic-guided Relation Alignment and Adaptation [98.51938442785179]
  増分的な数ショットセマンティックセマンティックセマンティクスは、セマンティクスセマンティクスモデルを新しいクラスに漸進的に拡張することを目的としている。 このタスクは、データ不均衡のため、ベースクラスと新しいクラスの間で深刻な意味認識の問題に直面します。 本稿では,従来の意味情報のガイダンスを完全に考慮した意味誘導型関係調整適応法を提案する。
  論文  参考訳（メタデータ） (2023-05-18T10:40:52Z)
• Cross-modal Representation Learning for Zero-shot Action Recognition [67.57406812235767]
  我々は、ゼロショット動作認識(ZSAR)のためのビデオデータとテキストラベルを共同で符号化するクロスモーダルトランスフォーマーベースのフレームワークを提案する。 我々のモデルは概念的に新しいパイプラインを使用し、視覚的表現と視覚的意味的関連をエンドツーエンドで学習する。 実験結果から,本モデルはZSARの芸術的状況に大きく改善され,UCF101,HMDB51,ActivityNetベンチマークデータセット上でトップ1の精度が向上した。
  論文  参考訳（メタデータ） (2022-05-03T17:39:27Z)

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。