論文の概要: Toward AI-Friendly Cartography: Understanding How Color Design Influences Foundation Model Spatial Reasoning on Sequential Choropleth Maps

• arxiv url: http://arxiv.org/abs/2608.15736v1
• Date: Sun, 16 Aug 2026 13:24:31 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-18 19:59:03.404611
• Title: Toward AI-Friendly Cartography: Understanding How Color Design Influences Foundation Model Spatial Reasoning on Sequential Choropleth Maps
• Title（参考訳）: AIフレンドリーなカルトグラフィーを目指して : カラーデザインが逐次コロプレスマップにおける基礎モデル空間推論に与える影響を理解する
• Abstract要約: 色調,色調,明度コントラストが基本モデル(FM)の空間的推論に与える影響について検討した。 属性識別,空間認識,比較,ランク,パターン記述を対象とする5,760の地図と28,800の質問のベンチマークを構築した。 その結果、色選択は限定的かつ一貫性のない効果を示す一方、逐次色順の乱れは性能を著しく低下させることがわかった。
• 参考スコア（独自算出の注目度）: 5.118764384145577
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Foundation models (FMs) increasingly support multimodal and geospatial reasoning, yet it remains unclear whether cartographic principles designed for human perception are equally effective for machines. Focusing on sequential choropleth maps, we examine how hue palette, color ordering, and lightness contrast influence FM spatial reasoning. We construct a controlled benchmark of 5,760 maps and 28,800 questions spanning Attribute Identify, Spatial Recognition, Compare, Rank, and Pattern Delineate, and evaluate 21 open-source and proprietary multimodal FMs. Results show that hue choice has limited and inconsistent effects, whereas disrupting sequential color ordering substantially reduces performance, especially for comparison and ranking. Reduced lightness contrast also consistently impairs reasoning, while increasing contrast beyond sufficient separability provides only marginal gains. LoRA fine-tuning improves overall accuracy but preserves these relative sensitivities. Additional factorial experiments further indicate that errors arise from color-and-legend decoding, spatial reasoning, and the integration of thematic attributes with spatial structure. These findings show that conventional sequential ordering and sufficient contrast remain important for machine map understanding and provide empirical guidance for AI-friendly cartographic design.
• Abstract（参考訳）: ファンデーションモデル(FM)は、マルチモーダルおよび地理空間的推論をますますサポートしているが、人間の知覚のために設計された地図的原理が機械に等しく有効であるかどうかは不明である。 逐次コロスマップに着目し,色調,色調,明度コントラストがFM空間的推論に与える影響について検討した。 我々は,属性識別,空間認識,比較,ランク,パターン記述を対象とする5,760の地図と28,800の質問の制御ベンチマークを構築し,21個のオープンソースおよびプロプライエタリなマルチモーダルFMを評価した。 その結果、色選択は限定的かつ一貫性のない効果を示す一方、逐次色順を乱すことは、特に比較やランキングにおいて、性能を著しく低下させることがわかった。 明るさのコントラストの減少は推論を一貫して損なうが、十分な分離性を超えたコントラストの増大は限界利得に留まる。 LoRAの微調整により全体的な精度は向上するが、これらの相対的な感度は維持される。 追加の因子的実験により、誤りは色とレジェンドの復号、空間的推論、空間的構造と主題的属性の統合から生じることが示されている。 これらの結果から,従来の逐次順序付けと十分なコントラストは,機械地図理解にとって依然として重要であり,AIフレンドリーな地図設計のための実証的なガイダンスを提供する。

関連論文リスト

• SC-Diff: Semantically Calibrated Diffusion for Visible-to-Infrared Image Translation [52.62632888060867]
  可視赤外画像変換は、豊富な可視画像を用いて赤外線トレーニングデータを拡張するための実用的な方法を提供する。 既存の拡散に基づくメソッドは、通常、外部条件としてのみセマンティックプリエントを使用する。 SC-Diffは、条件付きガイダンスと内部自己注意校正の両方にセマンティックな事前情報を利用する意味論的潜伏拡散フレームワークである。
  論文  参考訳（メタデータ） (2026-08-09T07:57:40Z)
• Where Black-box Drug-Target Interaction Prediction Models Look: Cross-Method Explainability [4.792942098478821]
  3つの異なるデータセット上でブリッジDPIアーキテクチャの解釈可能性監査を行う。 生の入力、橋梁類似性の足場、およびグラフ畳み込みによる感度と符号効果を要約する。 その結果,モデル批判として扱う場合,説明可能性が最も有益であることが示唆された。
  論文  参考訳（メタデータ） (2026-06-12T08:22:43Z)
• Learn to Rank: Visual Attribution by Learning Importance Ranking [58.69028273772474]
  コンピュータビジョンモデルのための視覚属性マップを生成する新しい手法を提案する。 提案手法は, 任意の数段階の勾配補正を施した1つの前方通過において, 密度の高い画素レベルの属性を生成する。 我々の実験は、一貫した定量的改善と、よりシャープで境界に沿った説明を示す。
  論文  参考訳（メタデータ） (2026-04-07T12:53:22Z)
• Adversarial Patch Generation for Visual-Infrared Dense Prediction Tasks via Joint Position-Color Optimization [14.358458317718174]
  視覚的赤外設定における逆パッチを生成するための共同位置色最適化フレームワーク(AP-PCO)を提案する。 我々は、赤外線グレースケール特性に応じてパッチの外観を制約するクロスモーダルカラー適応戦略を導入する。 視覚赤外高密度予測タスクの実験は、提案したAP-PCOが一貫して強力な攻撃性能を発揮することを示す。
  論文  参考訳（メタデータ） (2026-02-27T19:26:17Z)
• DeshadowMamba: Deshadowing as 1D Sequential Similarity [85.07259906446588]
  指向性状態遷移を通じてグローバルなコンテキストを伝播する選択状態空間モデルであるMambaを紹介する。 その可能性にもかかわらず、マンバを画像データに直接適用することは、シャドー・ノン・シャドウ・セマンティクスの認識が欠けているため、最適ではない。 我々は,マンバの入力ゲートにシャドウ・アウェアの類似性を注入する方向変調機構であるCrossGateを提案する。 外観の忠実度をさらに高めるために,グローバルな色統計によって駆動される対照的な学習目標であるColorShift正則化を導入する。
  論文  参考訳（メタデータ） (2025-10-28T10:14:23Z)
• Hi-Map: Hierarchical Factorized Radiance Field for High-Fidelity Monocular Dense Mapping [51.739466714312805]
  ニューラルラジアンス場(NeRF)に基づく新しいモノクリン高密度マッピング手法であるHi-Mapを導入する。 ハイマップは、RGB入力のみを用いた効率的かつ高忠実なマッピングを実現する能力において例外的である。
  論文  参考訳（メタデータ） (2024-01-06T12:32:25Z)
• Breaking Modality Disparity: Harmonized Representation for Infrared and Visible Image Registration [66.33746403815283]
  シーン適応型赤外線と可視画像の登録を提案する。 我々は、異なる平面間の変形をシミュレートするためにホモグラフィーを用いる。 我々は、まず、赤外線と可視画像のデータセットが不一致であることを示す。
  論文  参考訳（メタデータ） (2023-04-12T06:49:56Z)
• CAMERAS: Enhanced Resolution And Sanity preserving Class Activation Mapping for image saliency [61.40511574314069]
  バックプロパゲーション画像のサリエンシは、入力中の個々のピクセルのモデル中心の重要性を推定することにより、モデル予測を説明することを目的としている。 CAMERASは、外部の事前処理を必要とせずに、高忠実度バックプロパゲーション・サリエンシ・マップを計算できる手法である。
  論文  参考訳（メタデータ） (2021-06-20T08:20:56Z)
• Input Bias in Rectified Gradients and Modified Saliency Maps [0.0]
  唾液マップは、分類や潜伏概念にかなりの影響を及ぼす入力特徴を特定する直感的な方法を提供する。 Rectified Gradients(英語版)のような従来の唾液マップへのいくつかの変更は、解釈可能性を高めるために導入されている。 入力画像の暗黒領域は、クラスや概念に関係があっても、Rectified Gradients を用いた塩分マップでは強調されないことを示す。
  論文  参考訳（メタデータ） (2020-11-10T09:45:13Z)

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。