論文の概要: Recognition-Conditioned Reasoning: A Training-Free Multimodal-LLM Pipeline for Fine-Grained Micro-Action Understanding
- arxiv url: http://arxiv.org/abs/2608.21022v1
- Date: Fri, 21 Aug 2026 12:10:32 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-24 14:49:32.522555
- Title: Recognition-Conditioned Reasoning: A Training-Free Multimodal-LLM Pipeline for Fine-Grained Micro-Action Understanding
- Title（参考訳）: 微粒化マイクロアクション理解のための学習不要マルチモーダルLLMパイプライン
- Abstract要約: MAC2026 Micro-Action Challengeの細粒度理解トラック(MA-Bench)で優勝した,トレーニングフリーで即時のみのシステムを提案する。
完全に凍結したマルチモーダル大言語モデル(MLLM)に基づいて構築され、8つのサブタスクのそれぞれをMLLMに動的にルーティングする。
- 参考スコア（独自算出の注目度）: 6.337623832881545
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Micro-actions are subtle, short, low-amplitude body movements, such as a fidgeting hand or a slight head tilt, that humans perform with little conscious intent yet that reliably leak emotional and psychological state. Understanding them goes beyond assigning a label: a model must also describe which body parts move and reason, faithfully, about why a clip warrants a particular fine-grained category. We present the training-free, prompt-only system that won first place in the fine-grained understanding track (MA-Bench) of the MAC~2026 Micro-Action Challenge, where both fine-tuning and ground-truth supervision are disallowed. Built entirely upon frozen multimodal large language models (MLLMs), the system dynamically routes each of the eight sub-tasks to the MLLM empirically best suited for that task: a discriminative MLLM for closed-ended recognition tasks and a generative MLLM for open-ended description and reasoning tasks. This architecture achieves a statistically significant performance advantage on open-ended tasks, attaining an average score of 2.68 (on a five-point scale) compared to 1.44 for the second-best approach.
- Abstract（参考訳）: マイクロアクションは、微妙で短く、低振幅の身体運動であり、例えば、フィジットハンドや微妙な頭傾きのように、人間は意識的な意図をほとんど持たず、感情や心理的状態を確実に漏洩させる。
モデルはまた、どのボディパーツが動くのかを記述し、なぜクリップが特定のきめ細かいカテゴリを保証しているのかを忠実に説明しなければなりません。
MAC~2026 Micro-Action Challenge の細粒度理解トラック (MA-Bench) では, 微調整と地道監督の両方が禁止されている。
完全に凍結したマルチモーダル大言語モデル(MLLM)に基づいて構築されたこのシステムは、8つのサブタスクのそれぞれを、そのタスクに最も適したMLLMに動的にルーティングする。
このアーキテクチャはオープンなタスクに対して統計的に重要なパフォーマンス上の優位性を実現し、平均スコアは2.68(5点スケール)であり、第2のベストなアプローチでは1.44である。
関連論文リスト
- Gold Points Sniper: Self-guided Visual Reasoning in VLM for Fine-grained Action Understanding [30.463645590107035]
Gold Points Sniper (GPS)は、自己誘導型マルチモーダル推論機能を備えた軽量な視覚言語モデルを促進する新しいフレームワークである。
我々の研究は、ロボットが人間の行動を安全に解釈できるように、家庭内ロボティクスにおけるきめ細かい行動理解のための信頼性の高い基盤を確立する。
論文 参考訳（メタデータ） (2026-06-21T09:54:39Z) - MAny: Merge Anything for Multimodal Continual Instruction Tuning [52.50936513604062]
textbfMAny(textbfMAny)は、textbfCross-modal textbfProjection textbfMergingを通じてタスク固有の知識を統合するフレームワークである。
textbfLow-rank textbfParameter textbfMerging (textbfLPM)
論文 参考訳（メタデータ） (2026-04-15T15:57:23Z) - MA-Bench: Towards Fine-grained Micro-Action Understanding [43.272896612886974]
我々は,1000本のビデオと3層評価アーキテクチャからなるベンチマークMA-Benchを提案する。
MA-Benchは12,000の構造化された質問応答対を含み、認識精度と行動解釈の両方を体系的に評価することができる。
さらに20.5Kビデオに微調整MLLM用のマイクロアクションキャプションを付加した大規模トレーニングコーパスであるMA-Bench-Trainを構築した。
論文 参考訳（メタデータ） (2026-03-27T16:49:19Z) - GroundingME: Exposing the Visual Grounding Gap in MLLMs through Multi-Dimensional Evaluation [40.999498663740454]
マルチモーダル大言語モデル(MLLM)は、既存のベンチマークで印象的なスコアを得る。
グラウンディングMEは、4つの重要な次元にわたるモデルに体系的に挑戦する。
25の最先端MLLMを評価すると、大きな能力ギャップが明らかになる。
論文 参考訳（メタデータ） (2025-12-19T12:06:25Z) - Rethinking Facial Expression Recognition in the Era of Multimodal Large Language Models: Benchmark, Datasets, and Beyond [116.65158801881984]
MLLMの表情推論能力の向上を目的とした後学習戦略を提案する。
We developed a unified and interpretable FER foundation model called UniFER-7B。
論文 参考訳（メタデータ） (2025-11-01T03:53:00Z) - Training-free Uncertainty Guidance for Complex Visual Tasks with MLLMs [61.64185573373394]
本稿では,MLLMの本質的不確かさをプロアクティブ誘導信号として用いた学習自由フレームワークを提案する。
応答不確実性によって候補の視覚入力をスコアする統一的なメカニズムを導入し、モデルが最も健全なデータに自律的にフォーカスできるようにする。
本研究は,本質的な不確実性を活用することが,細粒度マルチモーダル性能を高めるための強力で汎用的な戦略であることを実証する。
論文 参考訳（メタデータ） (2025-10-01T09:20:51Z) - MachineLearningLM: Scaling Many-shot In-context Learning via Continued Pretraining [9.979085091609624]
大規模言語モデル(LLM)は広い世界知識と強力な汎用推論能力を有する。
しかし彼らは、標準的な機械学習(ML)タスクに関する多くのコンテキスト内例から学ぶのに苦労している。
携帯型継続的事前学習フレームワークであるMachineLearningLMを紹介する。
論文 参考訳（メタデータ） (2025-09-08T15:38:31Z) - MME-Emotion: A Holistic Evaluation Benchmark for Emotional Intelligence in Multimodal Large Language Models [108.61337743051483]
MME-Emotionは,MLLMの感情的理解と推論能力の両方を評価するシステムベンチマークである。
MME-Emotionには6000以上のキュレートされたビデオクリップとタスク固有の質問回答(QA)ペアが含まれており、8つの感情的なタスクを定式化するための広いシナリオにまたがっている。
マルチエージェントシステムフレームワークを通じて分析された、感情認識と推論のためのハイブリッドメトリクスを備えた総合評価スイートが組み込まれている。
論文 参考訳（メタデータ） (2025-08-11T03:14:55Z) - MLZero: A Multi-Agent System for End-to-end Machine Learning Automation [48.716299953336346]
MLZeroはLarge Language Models(LLM)を利用した新しいマルチエージェントフレームワークである。
認知認識モジュールが最初に使用され、生のマルチモーダル入力を知覚コンテキストに変換する。
MLZeroは、MLE-Bench Liteで優れたパフォーマンスを示し、成功率とソリューション品質の両方で競合他社を上回っている。
論文 参考訳（メタデータ） (2025-05-20T05:20:53Z) - MELLM: Exploring LLM-Powered Micro-Expression Understanding Enhanced by Subtle Motion Perception [53.00485107136624]
マイクロ・エクスプレッション(ME)は、隠れた感情を示す、簡潔で低強度の顔の動きである。
本稿では,光学フローに基づく感度を微妙な顔の動きと統合する ME Large Language Model (MELLM) を提案する。
MELLMは複数のMEベンチマークで最先端の精度と一般化を実現する。
論文 参考訳（メタデータ） (2025-05-11T15:08:23Z)
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。