論文の概要: IntentQA: Intent Question Answering in Videos by Cognitive Context Reasoning
- arxiv url: http://arxiv.org/abs/2608.23330v1
- Date: Mon, 24 Aug 2026 14:43:28 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-25 13:29:44.156938
- Title: IntentQA: Intent Question Answering in Videos by Cognitive Context Reasoning
- Title（参考訳）: IntentQA:Cognitive Context Reasoningによるビデオにおけるインテント質問回答
- Abstract要約: 映像理解には、知的エージェントが視覚的事実の単なる認識を超越し、人間の行動の背後にある意図を理解する必要がある。
我々は、新しいタスクであるIntentQAを導入し、この目的に特化された大規模ビデオQAデータセットをコントリビュートする。
我々は,3種類の「認知コンテキスト」を活用して映像分析を強化する,X-CaVIR(eXplainable Context-aware Video Intent Reasoning)フレームワークを提案する。
- 参考スコア（独自算出の注目度）: 62.131402798485
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Video understanding requires intelligent agents to transcend mere recognition of visual facts and comprehend the underlying intents behind human actions (often termed the "dark matter" of social intelligence). To bridge the gap between visual observation and intent reasoning, we introduce a novel task, IntentQA, and contribute a large-scale VideoQA dataset specifically tailored for this purpose. However, recognizing that standard metrics may overestimate capabilities due to dataset biases, we go beyond simple accuracy to rigorously evaluate model robustness. We augment the benchmark by generating five distinct contrast sets via Large Language Models (LLMs) and introducing a "Contrast Performance Decline" metric. We propose the X-CaVIR (eXplainable Context-aware Video Intent Reasoning) framework, which leverages three types of "Cognitive Context" to enhance video analysis: i) Situational Context via a cross-modal Video Query Language (VQL) module, ii) Contrastive Context via a Contrastive Learning module, and iii) Commonsense Context via a Commonsense Reasoning module. Crucially, to overcome the opacity of traditional black-box models, we refine the integration of LLMs within X-CaVIR by employing a transparent pipeline that synergizes video captions with VQA model outputs. This approach not only improves performance by effectively utilizing rich commonsense knowledge but also renders the reasoning process explicitly interpretable. Extensive experiments demonstrate the effectiveness of our components, the superiority of X-CaVIR over state-of-the-art baselines, and its stability against perturbations on the contrast sets.
- Abstract（参考訳）: 映像理解は、知的なエージェントが視覚的事実を単に認識し、人間の行動の背後にある意図を理解することを要求する(しばしば社会知能の「ダークマター」と呼ばれる)。
視覚的観察と意図的推論のギャップを埋めるために,新しいタスクであるIntentQAを導入し,この目的に適した大規模ビデオQAデータセットを提供する。
しかし、標準メトリクスがデータセットバイアスによる能力を過大評価する可能性があることを認識すれば、モデルロバスト性を厳格に評価するための単純な精度を超えます。
我々は、LLM(Large Language Models)を介して5つの異なるコントラストセットを生成し、"Contrast Performance Decline"メトリックを導入することで、ベンチマークを強化した。
X-CaVIR(eXplainable Context-aware Video Intent Reasoning)フレームワークを提案する。
一 クロスモーダルビデオクエリ言語(VQL)モジュールによる状況コンテキスト
二 コントラスト学習モジュールによるコントラスト文脈及び
iii) Commonsense ReasoningモジュールによるCommonsenseコンテキスト。
重要なことは、従来のブラックボックスモデルの不透明さを克服するために、VQAモデル出力とビデオキャプションを相乗化する透過パイプラインを用いて、X-CaVIR内のLCMの統合を改良する。
このアプローチは、リッチコモンセンス知識を効果的に活用することでパフォーマンスを向上させるだけでなく、推論プロセスを明確に解釈する。
広範囲にわたる実験は、我々の成分の有効性、最先端のベースラインに対するX-CaVIRの優位性、およびコントラスト集合上の摂動に対する安定性を実証している。
関連論文リスト
- From Evaluation to Enhancement: Benchmarking and Improving Think-with-Video Reasoning for Video Generative Models [42.398664944109676]
VWG-Bench (Video World Generalist Benchmark)は、9つの推論次元と38のきめ細かいタスクにまたがる包括的なベンチマークである。
本稿では,モデルに依存しないプロンプトリライタであるVid-PRE (Video Reason Prompter and Enhancer)を提案する。
論文 参考訳（メタデータ） (2026-09-10T08:40:58Z) - Video-MME-v2: Towards the Next Stage in Benchmarks for Comprehensive Video Understanding [98.3098451637867]
Video-MME-v2は、ビデオ理解の堅牢性と忠実さを厳格に評価するために設計された総合的なベンチマークである。
データ品質を保証するため、Video-MME-v2は厳格に制御された人間のアノテーションパイプラインを通して構築される。
論文 参考訳（メタデータ） (2026-04-06T17:59:56Z) - VideoVeritas: AI-Generated Video Detection via Perception Pretext Reinforcement Learning [42.22791607763693]
VideoVeritasは、きめ細かい認識と事実に基づく推論のためのフレームワークだ。
共同知覚選好と知覚Pretext Reinforcement Learningが使用される。
論文 参考訳（メタデータ） (2026-02-09T16:00:01Z) - Video-QTR: Query-Driven Temporal Reasoning Framework for Lightweight Video Understanding [37.682165829414494]
Video-QTRは、クエリ誘導推論プロセスとしてビデオ理解を再定義する軽量フレームワークである。
ビデオQTRは,入力フレームの消費を最大73%削減し,最先端の性能を実現する。
論文 参考訳（メタデータ） (2025-12-10T06:28:00Z) - ImplicitQA: Going beyond frames towards Implicit Video Reasoning [39.63171940350552]
ImplicitQAは、人間のような暗黙の推論でビデオQAモデルをテストするために設計された新しいベンチマークである。
ImplicitQAは、1Kの高品質なクリエイティビティビデオクリップから引き出された1Kの微妙な注釈付きQAペアからなる。
論文 参考訳（メタデータ） (2025-06-26T19:53:54Z) - QuoTA: Query-oriented Token Assignment via CoT Query Decouple for Long Video Comprehension [86.0749609778104]
既存の大規模ビデオ言語モデルを拡張した,アンテホックなトレーニングフリーモジュールQuoTAを提案する。
QuoTAは、クエリ関連性に基づいて、フレームレベルの重要度スコアを戦略的に割り当てる。
クエリをChain-of-Thoughts推論で切り離し、より正確なLVLMベースのフレーム重要度スコアリングを容易にする。
論文 参考訳（メタデータ） (2025-03-11T17:59:57Z) - Prompting Video-Language Foundation Models with Domain-specific Fine-grained Heuristics for Video Question Answering [71.62961521518731]
HeurVidQAは、ドメイン固有のエンティティアクションを利用して、事前訓練されたビデオ言語基盤モデルを洗練するフレームワークである。
我々のアプローチでは、これらのモデルを暗黙の知識エンジンとして扱い、ドメイン固有のエンティティアクションプロンサを使用して、推論を強化する正確な手がかりにモデルを焦点を向けます。
論文 参考訳（メタデータ） (2024-10-12T06:22:23Z) - VaQuitA: Enhancing Alignment in LLM-Assisted Video Understanding [63.075626670943116]
本稿では,映像情報とテキスト情報の相乗効果を向上するための最先端フレームワークであるVaQuitAを紹介する。
データレベルでは、フレームを均一にサンプリングする代わりに、CLIPスコアランキングでガイドされるサンプリング手法を実装している。
機能レベルでは、Visual-Query Transformerと一緒にトレーニング可能なVideo Perceiverを統合します。
論文 参考訳（メタデータ） (2023-12-04T19:48:02Z) - Vamos: Versatile Action Models for Video Understanding [23.631145570126268]
「多元的行動モデル(Vamos)は、大言語モデルを利用した学習フレームワークである。」
Ego4D,NeXT-QA,IntentQA,Spacewalk-18,Egoの5つのベンチマークでVamosを評価する。
論文 参考訳（メタデータ） (2023-11-22T17:44:24Z) - elBERto: Self-supervised Commonsense Learning for Question Answering [131.51059870970616]
本稿では、市販QAモデルアーキテクチャと互換性のあるコモンセンスフレームワークの自己教師型双方向表現学習を提案する。
このフレームワークは5つの自己教師型タスクから構成されており、リッチコモンセンスを含むコンテキストから追加のトレーニング信号を完全に活用するようモデルに強制する。
elBERtoは、単純な語彙的類似性比較が役に立たないような、アウト・オブ・パラグラフや非エフェクトな問題に対して、大幅に改善されている。
論文 参考訳（メタデータ） (2022-03-17T16:23:45Z)
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。