論文の概要: TDSal: Task-Based Top-Down Saliency Prediction Model

• arxiv url: http://arxiv.org/abs/2607.09827v1
• Date: Fri, 10 Jul 2026 11:47:55 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 15:40:48.22234
• Title: TDSal: Task-Based Top-Down Saliency Prediction Model
• Title（参考訳）: TDSal:タスクベーストップダウン給与予測モデル
• Abstract要約: 自然言語によるタスク記述に視覚的注意を喚起するモデルを提案する。 このモデルは、異なる視聴意図の下での注意のシフトを反映したタスク依存の正当性マップを生成する。 明示的なタスクセマンティクスを取り入れることで、目標指向の視覚的注意のより忠実なモデリングが可能になることを示す。
• 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: Visual saliency aims to predict the regions of an image most likely to attract human visual attention. While most saliency models assume free-viewing conditions, human attention is often shaped by explicit task goals. In this work, we address task-driven saliency prediction by proposing a model that conditions visual attention on natural-language task descriptions. The model produces task-dependent saliency maps that reflect how attention shifts under different viewing intents. Through quantitative and qualitative analysis, we show that incorporating explicit task semantics enables more faithful modeling of goal-directed visual attention.
• Abstract（参考訳）: 視覚的サリエンシは、画像の領域が人間の視覚的注意を惹きつける可能性が最も高いことを予測することを目的としている。 ほとんどのサリエンシモデルは自由視聴条件を前提としていますが、人間の注意は明示的なタスク目標によって形作られています。 本研究では,自然言語によるタスク記述に視覚的注意を喚起するモデルを提案する。 このモデルは、異なる視聴意図の下での注意のシフトを反映したタスク依存の正当性マップを生成する。 定量的かつ質的な分析を通じて、明示的なタスクセマンティクスを取り入れることで、目標指向の視覚的注意のより忠実なモデリングが可能になることを示す。

関連論文リスト

• Emergent Goal-Directed Attention in Large Vision-Language Models [3.2171716419695335]
  汎用視覚言語モデル(英語版) (VLM) は、視線固有の訓練を伴わずに、人間の協調的、ゴール指向の空間優先順位を生成できる。 これらの結果から,汎用VLMは視線固有の訓練を伴わずに,目標指向の空間的優先順位を人力で生成できることが示唆された。
  論文  参考訳（メタデータ） (2026-08-31T15:00:02Z)
• Human Scanpath Prediction in Target-Present Visual Search with Semantic-Foveal Bayesian Attention [49.99728312519117]
  SemBA-FASTは、ターゲットの視覚検索における人間の視覚的注意を予測するためのトップダウンフレームワークである。 我々は、COCO-Search18ベンチマークデータセット上でSemBA-FASTを評価し、その性能を他のスキャンパス予測モデルと比較した。 これらの知見は、人間のような注意モデリングのためのセマンティック・フレーバー・確率的フレームワークの能力に関する貴重な知見を提供する。
  論文  参考訳（メタデータ） (2025-07-24T15:19:23Z)
• Semantic-Based Active Perception for Humanoid Visual Tasks with Foveal Sensors [49.99728312519117]
  この研究の目的は、最近の意味に基づくアクティブな知覚モデルが、人間が定期的に行う視覚的なタスクをいかに正確に達成できるかを確立することである。 このモデルは、現在のオブジェクト検出器が多数のオブジェクトクラスをローカライズし、分類し、複数の固定にまたがるシーンのセマンティック記述を更新する能力を利用する。 シーン探索の課題では、セマンティック・ベースの手法は従来のサリエンシ・ベース・モデルよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-04-16T18:15:57Z)
• GazeFusion: Saliency-Guided Image Generation [50.37783903347613]
  拡散モデルは、テキストプロンプトだけを前提として、前例のない画像生成能力を提供する。 本稿では,人間の視覚的注意機構のデータ先行を生成プロセスに組み込むためのサリエンシ誘導フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-03-16T21:01:35Z)
• Top-Down Visual Attention from Analysis by Synthesis [87.47527557366593]
  我々は、古典的分析・合成(AbS)の視覚的視点からトップダウンの注意を考察する。 本稿では,AbSを変動的に近似したトップダウン変調ViTモデルであるAbSViT(Analytic-by-Synthesis Vision Transformer)を提案する。
  論文  参考訳（メタデータ） (2023-03-23T05:17:05Z)
• Task Bias in Vision-Language Models [18.025004053980545]
  私たちはCLIPモデルを探求し、その視覚的表現が、しばしば他のタスクよりも、いくつかのタスクに強く偏っていることを示す。 この課題バイアスを解決するために,視覚的プロンプトの学習方法を示す。
  論文  参考訳（メタデータ） (2022-12-08T17:10:31Z)
• Glimpse-Attend-and-Explore: Self-Attention for Active Visual Exploration [47.01485765231528]
  アクティブな視覚探索は、限られた視野を持つエージェントが部分的な観察に基づいて環境を理解するのを支援することを目的としている。 タスク固有の不確実性マップではなく、自己注意を用いて視覚探索をガイドするGlimpse-Attend-and-Exploreモデルを提案する。 私たちのモデルは、探索を駆動する際のデータセットバイアスに頼らずに、奨励的な結果を提供します。
  論文  参考訳（メタデータ） (2021-08-26T11:41:03Z)
• Goal-Aware Prediction: Learning to Model What Matters [105.43098326577434]
  学習した前進力学モデルを使用する際の根本的な課題の1つは、学習したモデルの目的と下流のプランナーやポリシーの目標とのミスマッチである。 本稿では,タスク関連情報への直接的予測を提案し,そのモデルが現在のタスクを認識し,状態空間の関連量のみをモデル化することを奨励する。 提案手法は,目標条件付きシーンの関連部分を効果的にモデル化し,その結果,標準タスク非依存のダイナミックスモデルやモデルレス強化学習より優れていることがわかった。
  論文  参考訳（メタデータ） (2020-07-14T16:42:59Z)

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。