論文の概要: Rethinking Text-Based Image Retrieval in Specific Domain

• arxiv url: http://arxiv.org/abs/2608.10524v1
• Date: Tue, 11 Aug 2026 06:00:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-12 19:14:45.922301
• Title: Rethinking Text-Based Image Retrieval in Specific Domain
• Title（参考訳）: 特定領域におけるテキストベース画像検索の再考
• Abstract要約: Security Multi-Match TBIR (SecMM-TBIR) は、500万の監視画像と200の包括的なクエリからなるベンチマークである。 本稿では,セマンティック・アウェア・ファイン・チューニング(SAFT)フレームワークを提案する。 様々なCLIPライクなモデルに対する実験により、SAFTは標準的な画像テキストのコントラストよりも平均mAP@20のSecMM-TBIRで7.8ポイント上昇することが示された。
• 参考スコア（独自算出の注目度）: 12.468935521282434
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Driven by the rapid advancement of vision-language representation learning, Text-based Image Retrieval (TBIR) has made notable progress. However, existing benchmarks are predominantly constructed on an exclusive single-match assumption between query and images. While effective in general scenarios, this assumption fails to reflect practical system performance in specific domains (e.g., surveillance), where a single query often corresponds to multiple relevant candidate images. To address this limitation, we design a Domain-Specific Multi-Match Text-based Image Retrieval (DSMM-TBIR) data engine. Leveraging this engine, we construct Security Multi-Match TBIR (SecMM-TBIR), a benchmark comprising 50k surveillance images with 200 comprehensive queries. Furthermore, we observe that vanilla contrastive learning in specific domains suffers from severe false negatives, forcing the model to push apart semantically similar pairs and thus degrading retrieval performance. We propose the Semantic-Aware Fine-Tuning (SAFT) framework to address semantic compression in specific domains, which incorporates Semantic-Aware Soft-Label Supervision (SASS) and Intra-modal Structural Distillation (ISD) to establish a promising paradigm for domain-specific TBIR tasks. Experiments across diverse CLIP-like models demonstrate that SAFT yields an average mAP@20 gain of 7.8 points on SecMM-TBIR over standard image-text contrastive (ITC) fine-tuning, while also improving general-domain performance. The entire benchmark will be released to facilitate further research.
• Abstract（参考訳）: 視覚言語表現学習の急速な進歩により、テキストベース画像検索(TBIR)は顕著な進歩を遂げた。 しかし、既存のベンチマークは主に、クエリと画像の間の排他的な単一マッチの仮定に基づいて構築されている。 一般的なシナリオでは有効であるが、単一のクエリが複数の関連する候補画像に対応する場合、この仮定は特定のドメイン(例えば監視)における実用的なシステム性能を反映しない。 この制限に対処するために、我々は、DMM-TBIR(Domain-Specific Multi-Match Text-based Image Retrieval)データエンジンを設計する。 このエンジンを応用したSecMM-TBIR(Security Multi-Match TBIR)は,500万の監視画像と200の包括的なクエリからなるベンチマークである。 さらに、特定のドメインにおけるバニラの対照的な学習は深刻な偽陰性に悩まされ、モデルに意味論的に類似したペアを分割させ、検索性能を低下させる。 本稿では,セマンティック・アウェア・ソフトラベル・スーパービジョン (SASS) とイントラモーダル構造蒸留 (ISD) を組み込んだセマンティック・アウェア・ファインタニング (SAFT) フレームワークを提案する。 様々なCLIPライクなモデルの実験により、SAFTは標準画像テキストコントラスト(ITC)ファインチューニングよりも平均mAP@20ゲインのSecMM-TBIRが7.8ポイント向上し、一般ドメインのパフォーマンスも向上した。 ベンチマーク全体がリリースされ、さらなる研究が促進される。

関連論文リスト

• UniRef-UAV: A Multimodal Benchmark for Universal Referring in UAV Imagery [69.87589293875112]
  無人航空機(UAV)は、タスク関連ターゲットのローカライズに視覚的な接地機能に依存している。 既存の参照式理解ベンチマークとメソッドは、主にテキストのみのクエリと単一オブジェクトの出力に基づいて構築されている。 本稿では,一般的なUAV参照タスクであるemphUniversal Referringを導入する。
  論文  参考訳（メタデータ） (2026-07-09T09:09:31Z)
• TIGER-FG: Text-Guided Implicit Fine-Grained Grounding for E-commerce Retrieval [10.927254533551563]
  電子商取引の画像検索は、しばしばクロップされたイメージをクエリとして取り、各候補は完全なアイテムイメージと構造化されたテキストで表現される。 我々は,電子商取引検索のためのテキスト誘導型暗黙的きめ細かなグラウンドディングフレームワークTIGER-FGを提案する。
  論文  参考訳（メタデータ） (2026-05-18T14:07:20Z)
• TEMA: Anchor the Image, Follow the Text for Multi-Modification Composed Image Retrieval [61.77510161631665]
  Composed Image Retrieval (CIR)により、ユーザーは参照画像と修正テキストからなるマルチモーダルクエリを使用してターゲットイメージを検索できる。 我々はM-FashionIQとM-CIRRという2つの命令リッチなマルチモーフィケーションデータセットを構築した。 また、マルチモーフィケーション用に設計された最初のCIRフレームワークであるTEMAも提案する。
  論文  参考訳（メタデータ） (2026-04-23T16:03:12Z)
• A Sketch+Text Composed Image Retrieval Dataset for Thangka [14.600552992453977]
  Composed Image Retrieval (CIR)は、複数のクエリーモダリティを組み合わせることで画像検索を可能にする。 CIRThanは、Thangkaイメージ用のスケッチ+テキストコンポジションイメージ検索データセットである。
  論文  参考訳（メタデータ） (2026-02-09T09:14:29Z)
• Pixel-Grounded Retrieval for Knowledgeable Large Multimodal Models [58.46663983451155]
  PixSearchは、地域レベルの認識と検索強化推論を統合する、エンドツーエンドのLMM(Large Multimodal Model)である。 エンコーディング中、PixSearchは検索をトリガーする検索>トークンを出力し、クエリのモダリティ(テキスト、画像、リージョン)を選択し、ビジュアルクエリとして直接機能するピクセルレベルのマスクを生成する。 エゴセントリックでエンティティ中心のVQAベンチマークでは、PixSearchは事実整合性と一般化を大幅に改善する。
  論文  参考訳（メタデータ） (2026-01-27T00:46:08Z)
• Towards Text-Image Interleaved Retrieval [49.96332254241075]
  テキスト画像検索(TIIR)タスクを導入し、クエリと文書をインターリーブしたテキスト画像シーケンスとする。 我々は、自然にインターリーブされたwikiHowチュートリアルに基づいてTIIRベンチマークを構築し、インターリーブされたクエリを生成するために特定のパイプラインを設計する。 異なる粒度で視覚トークンの数を圧縮する新しいMMEを提案する。
  論文  参考訳（メタデータ） (2025-02-18T12:00:47Z)
• Test-Time Optimization for Domain Adaptive Open Vocabulary Segmentation [15.941958367737408]
  Seg-TTOはゼロショットでオープンなセマンティックセグメンテーションのためのフレームワークである。 このギャップに対処するために、セグメンテーション固有のテスト時間最適化にフォーカスします。 Seg-TTOは明確なパフォーマンス向上(いくつかのデータセットで最大27%のmIoU増加)を示し、新たな最先端の確立を実現している。
  論文  参考訳（メタデータ） (2025-01-08T18:58:24Z)
• EFSA: Episodic Few-Shot Adaptation for Text-to-Image Retrieval [4.542714912924457]
  Episodic Few-Shot Adaptation (EFSA)は、事前学習されたモデルをクエリのドメインに動的に適用する新しいテストタイムフレームワークである。 EFSAは、一般化を維持しながら、さまざまなドメインのパフォーマンスを改善する。 本研究は,オープンドメインテキスト・ツー・イメージ検索の重要・未検討課題における頑健性を高めるために,エピソードな小ショット適応の可能性を強調した。
  論文  参考訳（メタデータ） (2024-11-28T17:09:20Z)
• Cross-Domain Few-Shot Semantic Segmentation via Doubly Matching Transformation [26.788260801305974]
  Cross-Domain Few-shot Semantic (CD-FSS)は、いくつかのラベル付きイメージで異なるドメインからクラスをセグメントできる一般化モデルのトレーニングを目的としている。 従来の研究は、CD-FSSに対処する際の特徴変換の有効性を証明してきた。 本稿では、この問題を解決するために、DMTNet(Doubly Matching Transformation-based Network)を提案する。
  論文  参考訳（メタデータ） (2024-05-24T06:47:43Z)
• Rotated Multi-Scale Interaction Network for Referring Remote Sensing Image Segmentation [63.15257949821558]
  Referring Remote Sensing Image (RRSIS)は、コンピュータビジョンと自然言語処理を組み合わせた新しい課題である。 従来の参照画像(RIS)アプローチは、空中画像に見られる複雑な空間スケールと向きによって妨げられている。 本稿ではRMSIN(Rotated Multi-Scale Interaction Network)を紹介する。
  論文  参考訳（メタデータ） (2023-12-19T08:14:14Z)
• Disentangled Feature Representation for Few-shot Image Classification [64.40410801469106]
  そこで本研究では,DFRと呼ばれる新しいDistangled Feature Representationフレームワークを提案する。 DFRは、分類枝によってモデル化される識別的特徴を、変動枝のクラス非関連成分から適応的に分離することができる。 一般的に、一般的な深層数ショット学習手法のほとんどが分類ブランチとしてプラグインできるため、DFRは様々な数ショットタスクのパフォーマンスを向上させることができる。
  論文  参考訳（メタデータ） (2021-09-26T09:53:11Z)

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。