論文の概要: TAU-Agent: An Agentic Retrieval-Augmented Framework for Traffic Anomaly Understanding

• arxiv url: http://arxiv.org/abs/2608.25935v1
• Date: Wed, 26 Aug 2026 15:50:38 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.892586
• Title: TAU-Agent: An Agentic Retrieval-Augmented Framework for Traffic Anomaly Understanding
• Title（参考訳）: TAU-Agent: トラフィック異常理解のためのエージェント検索拡張フレームワーク
• Abstract要約: TAU-Agentは、トラフィック異常理解のためのエージェント検索拡張フレームワークである。 タスククエリが与えられた場合、中央検索エージェントは2つの視覚認識ツールを編成し、クエリ関連エビデンスを検索して選択する。 我々はAI City Challenge 2026のドメイン内ベンチマークとドメイン外ベンチマークでTAU-Agentを評価した。
• 参考スコア（独自算出の注目度）: 16.4778063596097
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Traffic Anomaly Understanding (TAU) requires models and systems to detect, reason about, and explain anomalous events in transportation videos. To address this challenge, we propose TAU-Agent, an agentic retrieval-augmented framework for traffic anomaly understanding. Given a task query, a central retrieval agent orchestrates two visual perception tools, namely a Video Captioning Tool and an Open-Vocabulary Tracking Tool, to retrieve and select query-relevant evidence, including captions, temporal intervals, and object trajectories. The selected evidence, together with sampled video frames and the input query, is provided to a supervised fine-tuned vision-language model for final reasoning and answer generation. We evaluate TAU-Agent on both the in-domain and the out-of-domain benchmarks from the AI City Challenge 2026. TAU-Agent achieves scores of 0.6779 on Track 3, 0.3998 on Track 7, and 67.9275 on Track 8, ranking second, twelfth, and fifth, respectively. Code is available at: https://github.com/siri-rouser/TAU-Agent.
• Abstract（参考訳）: 交通異常理解(TAU)は、輸送ビデオにおける異常事象を検出し、推論し、説明するためのモデルとシステムを必要とする。 この課題に対処するために,トラフィック異常理解のためのエージェント検索強化フレームワークTAU-Agentを提案する。 タスククエリが与えられた場合、中央検索エージェントは、ビデオキャプチャツールとOpen-Vocabulary Trackingツールという2つの視覚認識ツールを編成し、キャプション、時間間隔、オブジェクト軌跡を含むクエリ関連エビデンスを検索して選択する。 選択されたエビデンスと、サンプル化されたビデオフレームと入力クエリは、最終的な推論と回答生成のための教師付き微調整された視覚言語モデルに提供される。 我々はAI City Challenge 2026のドメイン内ベンチマークとドメイン外ベンチマークでTAU-Agentを評価した。 TAU-Agentはトラック3で0.6779点、トラック7で0.3998点、トラック8で67.9275点、トラック8で2位、12位、そして5位となっている。 コードは、https://github.com/siri-rouser/TAU-Agent.comで入手できる。

関連論文リスト

• WeAgent-MMSearch: Native Text-Vision Interaction for Multimodal Search Agents [53.426679066400844]
  WeAgent-Harnessは、ネイティブテキストビジョンインタラクションと実行時リカバリをサポートするマルチモーダルエージェントハーネスである。 WeAgent-MMSearchは,データ構築,エージェントポストトレーニング,マルチモーダルロールアウトにまたがる統合システムである。 また、150タスクの人間認証ベンチマークであるVisTarget-Benchを紹介します。
  論文  参考訳（メタデータ） (2026-08-28T08:28:43Z)
• UniTraffic-Agent: Unified Traffic Video Reasoning for AI City Challenge 2026 Track 3 with Two Out-of-Domain Evaluations [87.58552218939225]
  第10回AIシティチャレンジのトラック3のMR-CASソリューションであるUniTraffic-Agentを紹介する。 UniTraffic-Agentは、タイムスタンプされた視覚的証拠をサンプリングするオブザーバ-レアソン--act-verifyワークフローに従う。 MR-CASはTARでは16位、FETVでは0.5780、FETVでは2位、PSI-VQAでは64.4161である。
  論文  参考訳（メタデータ） (2026-08-13T10:00:27Z)
• ARGOS: Who, Where, and When in Agentic Multi-Camera Person Search [49.61286310968402]
  我々は,対話型推論問題として,マルチカメラの人物探索を再構成する最初のベンチマークとフレームワークであるARGOSを紹介する。 ARGOSエージェントはあいまいな目撃声明を受け取り、何を尋ねるか、いつ空間的または時間的ツールを呼び出すか、不明瞭な応答をどう解釈するかを判断しなければならない。 このベンチマークは、意味的知覚(Who)、空間的推論(Where)、時間的推論(When)の3つのプログレッシブトラックにおいて、14の現実世界シナリオにまたがる2,691のタスクからなる。
  論文  参考訳（メタデータ） (2026-04-14T14:06:19Z)
• SGTA: Scene-Graph Based Multi-Modal Traffic Agent for Video Understanding [48.47968852253859]
  SGTA(Scene-Graph Based Multi-Modal Traffic Agent)は、トラフィックビデオ理解のためのモジュラーフレームワークである。 検出、追跡、車線抽出を使用して、道端のビデオからトラフィックシーングラフを構築し、続いてシンボルグラフクエリと視覚入力の両方に対するツールベースの推論を行う。
  論文  参考訳（メタデータ） (2026-04-04T12:01:49Z)
• RSAgent: Learning to Reason and Act for Text-Guided Segmentation via Multi-Turn Tool Invocations [52.752467948588816]
  エージェント型マルチモーダル大規模言語モデル(MLLM)であるRSAgentを提案する。 RSAgentはセグメンテーション・ツールボックスをクエリし、視覚的フィードバックを観察し、歴史的観測を用いて空間仮説を改訂し、ターゲットを再ローカライズし、反復的にマスクを洗練させる。 RSAgentはReasonSegテストで66.5% gIoUのゼロショット性能を達成し、Seg-Zero-7Bを9%改善し、RefCOCOgで81.5% cIoUに達した。
  論文  参考訳（メタデータ） (2025-12-30T06:50:11Z)
• AgentRouter: A Knowledge-Graph-Guided LLM Router for Collaborative Multi-Agent Question Answering [51.07491603393163]
  tAgentは知識グラフ誘導ルーティング問題としてマルチエージェントQAを定式化するフレームワークである。 エージェントアウトプットのソフトな監督と重み付けされた集約を活用することで、エージェントは多様なエージェントの相補的な強みを捉える、原則化された協調スキームを学ぶ。
  論文  参考訳（メタデータ） (2025-10-06T23:20:49Z)
• InterAct-Video: Reasoning-Rich Video QA for Urban Traffic [21.849445040376537]
  ディープラーニングは、質問応答(VideoQA)モデルを通じて、高度なビデオベースのトラフィック監視を実現する。 既存のVideoQAモデルは、現実世界の交通シーンの複雑さに悩まされている。 InterAct VideoQAは、トラフィック監視タスクのためのVideoQAモデルをベンチマークし、拡張するために設計された、キュレートされたデータセットである。
  論文  参考訳（メタデータ） (2025-07-19T20:30:43Z)
• ADA-Track++: End-to-End Multi-Camera 3D Multi-Object Tracking with Alternating Detection and Association [15.161640917854363]
  多視点カメラによる3D MOTのための新しいエンドツーエンドフレームワークであるADA-Track++を紹介する。 エッジ拡張型クロスアテンションに基づく学習可能なデータアソシエーションモジュールを提案する。 我々は、この関連モジュールをDTRベースの3D検出器のデコーダ層に統合する。
  論文  参考訳（メタデータ） (2024-05-14T19:02:33Z)
• End-to-end Tracking with a Multi-query Transformer [96.13468602635082]
  マルチオブジェクトトラッキング(MOT)は、時間とともにシーン内のオブジェクトの位置、外観、アイデンティティを同時に推論する必要がある課題である。 本研究の目的は、トラッキング・バイ・ディテクト・アプローチを超えて、未知のオブジェクト・クラスに対してもよく機能するクラスに依存しないトラッキングへと移行することである。
  論文  参考訳（メタデータ） (2022-10-26T10:19:37Z)

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。