論文の概要: WADE: A Reasoning-Annotated Benchmark for Multi-Instance Floating-Waste Grounding with Compact Vision-Language Models

• arxiv url: http://arxiv.org/abs/2608.22950v1
• Date: Mon, 24 Aug 2026 08:17:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-25 13:29:43.96324
• Title: WADE: A Reasoning-Annotated Benchmark for Multi-Instance Floating-Waste Grounding with Compact Vision-Language Models
• Title（参考訳）: WADE: コンパクトビジョンランゲージモデルを用いたマルチインスタンス浮き水グラウンドのための推論付きベンチマーク
• Abstract要約: バングラデシュの農村部の2,167枚の画像を含む推論注釈付きベンチマークWADEを紹介する。 それぞれのアノテーションは、視覚的手がかり、おそらく混乱、および差別的特徴をカバーするクラスレベルの認識規則に関連付けられている。 我々は,ゼロショット,2ショット,推論誘導,微調整設定の6つのVLMを,検出,カウント,幻覚測定値を用いて評価した。
• 参考スコア（独自算出の注目度）: 0.4356470230135012
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Floating waste in inland waterways threatens aquatic ecosystems and requires timely monitoring under cluttered, multi-object conditions. Existing aquatic-waste datasets provide limited geographic coverage, sparse multi-instance annotations, and little supervision beyond boxes and labels. Compact vision-language models (VLMs) therefore remain insufficiently evaluated for jointly localizing, classifying, counting, and explaining floating waste. We introduce WADE, a reasoning-annotated benchmark containing 2,167 images from rural Bangladesh, 13,608 bounding boxes, and ten waste categories. Each annotation is associated with class-level recognition rules covering visual cues, likely confusions, and discriminative features. We evaluate six VLMs under zero-shot, two-shot, reasoning-guided, and fine-tuned settings using detection, counting, and hallucination metrics. For resource-efficient adaptation, we jointly fine-tune Qwen3-VL-2B on boxes, labels, and reasoning chains using QLoRA. Fine-tuning increases recall from 0.0248 to 0.2339 and F1 from 0.0257 to 0.2163, while reducing image-level hallucination from 0.6836 to 0.0883. However, over three-quarters of instances remain undetected, establishing WADE as a challenging benchmark for dense floating-waste grounding with compact VLMs.
• Abstract（参考訳）: 内陸水路に浮かぶ廃棄物は、水生生態系を脅かし、散らばった多目的環境下でのタイムリーな監視を必要とする。 既存の水生汚泥データセットは、限られた地理的カバレッジ、スパースなマルチインスタンスアノテーションを提供し、ボックスやラベルを超えてほとんど監督しない。 したがって, 小型視覚言語モデル (VLM) は, 共同局所化, 分類, カウント, 浮遊廃棄物の説明に不十分である。 バングラデシュの2,167枚の画像と13,608個のバウンディングボックスと10個の廃棄物カテゴリを含む,推論注釈付きベンチマークWADEを紹介した。 それぞれのアノテーションは、視覚的手がかり、おそらく混乱、識別的特徴を含むクラスレベルの認識規則に関連付けられている。 我々は,ゼロショット,2ショット,推論誘導,微調整設定の6つのVLMを,検出,カウント,幻覚測定値を用いて評価した。 資源効率を向上させるため,我々はQLoRAを用いて箱,ラベル,推論鎖にQwen3-VL-2Bを連続的に微調整する。 微調整は0.0248から0.2339へ、F1は0.0257から0.2163へ、画像レベルの幻覚は0.06836から0.0883へ減少する。 しかし、その4分の3以上のインスタンスは検出されず、WADEはコンパクトなVLMを用いた高密度浮き汚れのグラウンド化のための挑戦的なベンチマークとして確立されている。

関連論文リスト

• Solution for UCF UrbanTwin LUMPI Track: Sim-to-Real Urban LiDAR 3D Object Detection [54.03436243843709]
  UCF UrbanTwin Sim2Real LiDAR Challenge at the 6th DriveX Workshop, ECCV 2026。 検出器は合成データのみに基づいて訓練され、50個の実LiDARフレームで評価される。 ポイントクラウドリアリズムに対して、別の50フレームの合成提案が評価される。
  論文  参考訳（メタデータ） (2026-09-07T15:03:36Z)
• Interpretable Fuzzy Inference for UAV Target Tracking Using Bounding-Box Geometry [0.528933036850801]
  YOLOボックスから抽出した低次元特徴から連続ヨーコマンドを生成する解釈可能なファジィ推論フレームワークを提案する。 その結果、このフレームワークは透過的で、データ効率が高く、計算量も軽量であり、リアルタイムの視覚に基づくUAV誘導に適していることが判明した。
  論文  参考訳（メタデータ） (2026-08-04T18:18:29Z)
• Grounding Agentic VLMs with Dedicated Segmentation for Fine-Grained Vehicle Damage Assessment [0.0]
  視覚言語モデル(VLM)は、現実のビジュアルアセスメントパイプラインにおける推論エージェントとして、ますます多くデプロイされている。 現状のVLM (Qwen-VL) は, このタスクにおいて強い意味分類精度 (87.3%) を達成するが, 空間レベルでは体系的に非基底化されていることを示す。 空間接地を専用マルチタスクセグメンテーションモデルに委譲するハイブリッドアーキテクチャであるTinyDamageを提案する。 本研究は, 報告の幻覚率を92% (テキストのみ) と78% (画像のみ) から31% (画像のみ) に低下させることを示す。
  論文  参考訳（メタデータ） (2026-08-03T16:37:49Z)
• SpatialQuery: Benchmarking Geometry-Grounded Multi-Instance Spatial Reasoning in Vision-Language Models [6.150970359045875]
  VLM(Vision-Thought Model)は、強い意味理解を実現するが、計量空間的推論では信頼できない。 本稿では,単一RGB画像からのCIDQ推論のためのトレーニングフリーフレームワークであるSPATIALQUERYを紹介する。 本研究では,Qwen3-VL-8Bを用いたSPATIALQUERYにおいて,Floor-MAEが0.259m,Unc-Acc@0.3mが90.5%,近接精度が84.18%となることを示す。
  論文  参考訳（メタデータ） (2026-08-03T05:15:46Z)
• Confidence Scores in Open-Vocabulary Detection Are a Biased Mixture of Scale and Semantics [8.465978346858842]
  CLIPのような基盤モデルは、視覚言語的類似性を通じて新しいカテゴリに一般化するオープン語彙オブジェクト検出器を可能にした。 スケールバイアスの発見は2つの効果の偏りのある混合であることを示す。 これらの結果から,画像レベルの基礎モデルを領域レベルの検出タスクに適用する上での基本的限界が明らかとなった。
  論文  参考訳（メタデータ） (2026-07-13T01:33:18Z)
• Attention Degradation, Function Token Anchoring, and the Limits of Attention-Based Intervention in Large Language Models [0.0]
  GPT-2, LLaMA-3.2-1B/3B, OPT-1.3B, distilgpt2の6つの協調実験を行った。 まず,短期(5-100トークン)の注意低下を特徴付ける。 注意力の低下は規範的というよりはむしろ典型的であると結論付けている。
  論文  参考訳（メタデータ） (2026-07-09T07:04:07Z)
• Arena-T2I Hard: Benchmarking and Improving Faithfulness with Dependency-Aware Checklist [69.81453995715673]
  既存の忠実度ベンチマークは単純な原子命令に依存している。 本稿では,実アリーナT2Iログから抽出した310プロンプトの応力ベンチマークであるArena-T2I Hardを紹介する。 本稿では,各プロンプトをイエス/ノー質問のDAGに分解し,失敗する両親の子孫をゼロにする依存性対応チェックリスト報酬を提案する。
  論文  参考訳（メタデータ） (2026-06-30T14:17:05Z)
• Beyond the Current Observation: Evaluating Multimodal Large Language Models in Controllable Non-Markov Games [69.57330692969543]
  RNG-Benchは、過去の観測を再構築するベースモデルの能力を分離するために設計されたベンチマークスイートである。 RNG-Benchには2つの補完ゲームがある: マッチングペア(英語版) - 特定の場所でカードのIDを短期間明らかにする) と、エゴセントリックなビューを空間地図に統合する3D Maze である。 最も難しい構成では、約128Kのトークンと350のイメージ入力のコンテキストが必要であり、フロンティアMLLMによる飽和には程遠いままである。
  論文  参考訳（メタデータ） (2026-06-17T17:59:34Z)
• A Modelling and Evaluation Framework for EuroCrops-Driven Sentinel-2 Crop Segmentation [78.66324246922831]
  本研究では,Sentinel-2イメージとEuroCropsパーセルレベルのアノテーションからセマンティックセグメンテーション対応農業データセットを生成するパイプラインを提案する。 このデータセットには、ヨーロッパ5カ国から67,337のパッチが含まれており、10種類の作物と背景の分類を減らしている。 The four-level U-Net with Group Normalization were training using 10 Sentinel-2 spectrum bands and a Composite loss with class-weighted cross-entropy and Dice loss。
  論文  参考訳（メタデータ） (2026-05-30T11:20:29Z)
• Improving Gaussian Splatting with Localized Points Management [52.009874685460694]
  局所的点管理(LPM)は、点加算と幾何校正の両方を最大限に必要としながら、これらの誤り貢献ゾーンを特定することができる。 LPMは特定されたゾーンに点密度を適用し、これらの領域の前にある点の不透明度をリセットし、不適切な点を修正する新しい機会を生み出す。 特に、LPMは静的3DGSとダイナミックなSpaceTimeGSの両方を改善して、リアルタイム速度を維持しながら最先端のレンダリング品質を実現している。
  論文  参考訳（メタデータ） (2024-06-06T16:55:07Z)
• Generalized Focal Loss: Learning Qualified and Distributed Bounding Boxes for Dense Object Detection [85.53263670166304]
  一段検出器は基本的に、物体検出を密度の高い分類と位置化として定式化する。 1段検出器の最近の傾向は、局所化の質を推定するために個別の予測分岐を導入することである。 本稿では, 上記の3つの基本要素, 品質推定, 分類, ローカライゼーションについて述べる。
  論文  参考訳（メタデータ） (2020-06-08T07:24:33Z)

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。