論文の概要: Object Counting Across Modalities: Taxonomies, Benchmarks, Applications, and Open Challenges
- arxiv url: http://arxiv.org/abs/2608.23845v1
- Date: Mon, 24 Aug 2026 21:32:56 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-26 14:09:34.625694
- Title: Object Counting Across Modalities: Taxonomies, Benchmarks, Applications, and Open Challenges
- Title（参考訳）: モダリティ全体でのオブジェクトカウント:分類学、ベンチマーク、アプリケーション、オープンチャレンジ
- Abstract要約: 本稿では,構成シーン理解,アクティブカウントエージェント,統合マルチモーダル評価プロトコルのロードマップを提案する。
主な目的は、オープンワールドの一般化とベンチマーク固有の最適化を区別するために、堅牢な評価基盤を構築することである。
- 参考スコア（独自算出の注目度）: 3.1411048327150546
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Object-counting methods have rapidly shifted from class-specific density regression to open-vocabulary, foundation-model-backed counters. These methods now enumerate instances from various visual and textual prompts. While this shift marks major conceptual progress, our survey argues that claims of universal generality have outpaced the evaluative infrastructure. Most progress metrics rely on a few saturated benchmarks that models exploit for statistical regularities. Newly introduced diagnostic datasets reveal systematic failures in semantic grounding, temporal identity, and spatial reasoning with occlusion. To address these failures, we introduce a five-axis taxonomy (modality, mechanism, prompting, supervision level, and generalization setting). We use this taxonomy to audit the literature across application domains, including microscopy, remote sensing, crowd counting, and agriculture. This formalizes prevailing challenges into six structural contradictions. From these, we propose a roadmap for compositional scene understanding, active counting agents, and unified multimodal evaluation protocols. The main imperative is to build a robust evaluation infrastructure to distinguish open-world generalization from benchmark-specific optimization, rather than simple incremental engineering.
- Abstract（参考訳）: オブジェクトカウント手法は、クラス固有の密度回帰から、オープンボキャブラリ、基礎モデル支援カウンタへと急速にシフトしている。
これらのメソッドは、様々な視覚的およびテキスト的プロンプトからインスタンスを列挙する。
この変化は大きな概念的な進歩であるが、我々の調査では、普遍性の主張が評価インフラを上回っていると主張している。
ほとんどの進捗指標は、統計正則性をモデル化する飽和ベンチマークに頼っている。
新たに導入された診断データセットは、セマンティックグラウンドディング、時間的アイデンティティ、オクルージョンを伴う空間的推論における体系的な障害を明らかにする。
これらの障害に対処するため、我々は5軸分類(モダリティ、メカニズム、プロンプト、監督レベル、一般化設定)を導入する。
この分類法を用いて、顕微鏡、リモートセンシング、群衆計数、農業など、アプリケーション領域にわたる文献を監査する。
これにより、一般的な課題を6つの構造上の矛盾に定式化する。
そこで本稿では,構成シーン理解,アクティブカウントエージェント,統合マルチモーダル評価プロトコルのロードマップを提案する。
主な目的は、単純なインクリメンタルエンジニアリングではなく、オープンワールドの一般化とベンチマーク固有の最適化を区別するための堅牢な評価基盤を構築することである。
関連論文リスト
- Towards Diverse and Comprehensive Benchmarks for Mutual Information Estimation [47.29900218955283]
相互情報推定は、機械学習と統計学における中心的な問題である。
既存のベンチマークでは、単純化された低次元分布上の推定器を評価し、複雑な現実的なデータに対する性能はほとんど探索されていない。
我々はこのギャップを、統一されたコプラ理論の観点から、包括的なベンチマークフレームワークで解決する。
論文 参考訳（メタデータ） (2026-07-03T16:55:55Z) - Facial Expression Recognition in the Deep Learning Era: A Systematic Multi-Criteria Review of Methods, Models, Datasets, Performance, Challenges, and Future Research Directions [5.547573358033218]
表情認識(FER)はこの10年間で急速に進歩してきた。
ディープラーニングベースのFERランドスケープは、これまで、狭いタスク、アーキテクチャ、あるいはアプリケーション固有の軸でのみレビューされてきた。
この調査は、最近のディープラーニングベースのFERの包括的なレビューとのギャップに対処する。
論文 参考訳（メタデータ） (2026-06-07T12:58:33Z) - The Crowded Embedding Space: A Mean-Field Mechanism for Emergent Marginalization in Retrieval-Augmented Agents [51.56484100374058]
また,本論文では,本論文の関心事に役立てるために必要な文書密度が,意味論的に類似したマイノリティの検索地区を幾何的に超過することができることを示した。
本稿では,このような高密度検索における目標衝突が基本的性能限界をいかに引き起こすかを分析するための公式な枠組みを提案する。
このような目的が,過半数の利害にのみ貢献する状態に自己組織する上で,システムを促進することを実証する。
論文 参考訳（メタデータ） (2026-06-01T20:40:30Z) - DocRetriever: A Plug-and-Play Framework for Multimodal Document Retrieval with Comprehensive Benchmark [48.84943754804533]
マルチモーダル文書には、テーブル、フィギュア、レイアウトなど、さまざまな要素が含まれている。
現在のアプローチでは、高精度の検索を実現するために、高密度の視覚埋め込みモデルと教師付きリランカを組み合わせるのが一般的である。
本稿では,レイアウトを意識したスパース埋め込み技術による視覚検索を支援するプラグイン・アンド・プレイフレームワークDocRetrieverを提案する。
論文 参考訳（メタデータ） (2026-05-28T14:50:53Z) - Reasoning-Driven Amodal Completion: Collaborative Agents and Perceptual Evaluation [17.405818788700234]
本稿では,視覚合成から意味的計画を明確に分離する協調的マルチエージェント推論フレームワークを提案する。
提案手法は,画素生成前の構造的,明示的なプランを生成し,視覚的,意味的に整合した単一パス合成を可能にする。
従来の評価基準の限界に対処し,新しい人間対応評価指標MAC-Scoreを導入する。
論文 参考訳（メタデータ） (2025-12-24T04:39:45Z) - Explain Before You Answer: A Survey on Compositional Visual Reasoning [74.27548620675748]
構成的視覚推論は、マルチモーダルAIにおける重要な研究フロンティアとして登場した。
本調査は,トップ会場(CVPR,ICCV,NeurIPS,ICML,ACLなど)から260以上の論文を体系的にレビューする。
次に60以上のベンチマークとそれに対応するメトリクスを、基底精度、連鎖忠実性、高分解能知覚などの次元に沿って探索する。
論文 参考訳（メタデータ） (2025-08-24T11:01:51Z) - Towards Explainable Deep Clustering for Time Series Data [5.031537780234399]
このサーベイは、時系列のための説明可能なディープクラスタリングの構造化された概要を提供する。
私たちの分析によると、ほとんどの作業はオートエンコーダとアテンションアーキテクチャに依存しており、ストリーミング、不規則にサンプリングされた、あるいはプライバシ保護されたシリーズを限定的にサポートしています。
この分野を前進させるために、我々は6つの研究機会を概説する。
論文 参考訳（メタデータ） (2025-07-28T13:50:10Z) - METER: Multi-modal Evidence-based Thinking and Explainable Reasoning -- Algorithm and Benchmark [48.78602579128459]
本稿では,画像,ビデオ,音声,映像コンテンツにまたがる偽造検出のための統合ベンチマークMETERを紹介する。
我々のデータセットは4つのトラックから構成されており、それぞれのトラックは実際のvsフェイク分類だけでなく、エビデンスチェーンに基づく説明も必要である。
論文 参考訳（メタデータ） (2025-07-22T03:42:51Z) - A Survey on Class-Agnostic Counting: Advancements from Reference-Based to Open-World Text-Guided Approaches [6.356364436395916]
CAC(class-agnostic counting, Class-Agnostic counting, CAC)法について概説した。
本稿では,CACアプローチを参照ベース,参照レス,オープンワールドの3つのパラダイムに分類する分類法を提案する。
本研究では, FSC-147データセット, 金標準指標を用いたリーダボード, CARPKデータセットを用いて一般化能力の評価を行う。
論文 参考訳（メタデータ） (2025-01-31T14:47:09Z) - A Survey on All-in-One Image Restoration: Taxonomy, Evaluation and Future Trends [67.43992456058541]
画像復元(IR)は、ノイズ、ぼかし、圧縮、悪天候など幅広い要因によって生じる劣化した観察から高品質な画像の復元を目指している。
従来のIR法は、個々の劣化タイプを対象とすることで顕著な進歩を遂げてきたが、それらの特殊化は、しばしば一般化のコストがかかる。
オールインワンのイメージ復元パラダイムが最近登場し、複数の劣化タイプに順応的に対処する統一されたフレームワークを提供している。
論文 参考訳（メタデータ） (2024-10-19T11:11:09Z) - Bias and Fairness in Large Language Models: A Survey [73.87651986156006]
本稿では,大規模言語モデル(LLM)のバイアス評価と緩和手法に関する総合的な調査を行う。
まず、自然言語処理における社会的偏見と公平性の概念を統合し、形式化し、拡張する。
次に,3つの直感的な2つのバイアス評価法と1つの緩和法を提案し,文献を統一する。
論文 参考訳（メタデータ） (2023-09-02T00:32:55Z)
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。