論文の概要: Learning to Ground Before Reading: Unified PCB Engineering Drawing Parsing with Compact Vision-Language Models

• arxiv url: http://arxiv.org/abs/2608.29268v1
• Date: Sat, 29 Aug 2026 13:48:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-01 18:31:30.907387
• Title: Learning to Ground Before Reading: Unified PCB Engineering Drawing Parsing with Compact Vision-Language Models
• Title（参考訳）: 読み上げ前の接地学習:小型視覚言語モデルを用いた統一型PCB工学図面解析
• Abstract要約: PCBエンジニアリング図面は、ページ位置に依存するスパースグラフィックス、密度の高いテーブル、テキストを混合する。 コンパクトなVLMをトレーニングして全ページを読み、リージョンクラス、正規化ボックス、テキストまたはHTMLコンテンツのシーケンスを取得します。 我々のローカライゼーションファーストカリキュラムは、コンテンツ認識再サンプリングを伴うコンテンツターゲットを追加する前に、クラスボックスフォーマットを学習する。
• 参考スコア（独自算出の注目度）: 33.46309765212466
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: PCB engineering drawings mix sparse graphics, dense tables, and text whose meaning depends on page position. Localizing the regions and sending crops to specialized recognizers are determined as the methods for most parsers, so missed regions cannot be recovered downstream. We train a compact VLM to read the full page and get a sequence of region classes, normalized boxes, and text or HTML content. Bounding boxes are converted to coordinate tokens for supervision. Inference uses no detector or crop parser. The joint target is difficult to optimize because class and box tokens are sparse relative to the much longer content sequences. Our localization-first curriculum learns the class-box format before adding content targets with content-aware resampling. On the fixed validation split of the Engineering Drawing Dataset (ED dataset), Localization-First improves strict localization F1 by 0.0955 over joint training (paired image-bootstrap 95% interval: [0.0350, 0.1572]). G-Unified has the lowest NED, highest cell F1, and only nonzero exact-match score. It provides a detector-free baseline for full-page PCB drawing parsing.
• Abstract（参考訳）: PCBエンジニアリング図面は、ページ位置に依存するスパースグラフィックス、密度の高いテーブル、テキストを混合する。 特定認識者への地域分けと作物の送出は、ほとんどのパーサーの方法として決定されるため、欠落した地域は下流では回収できない。 私たちは、コンパクトなVLMをトレーニングして、全ページを読み、リージョンクラス、正規化ボックス、テキストまたはHTMLコンテンツのシーケンスを取得します。 境界ボックスは、監督のために座標トークンに変換される。 推論は検出器や作物解析器を使用しない。 クラスとボックストークンは、はるかに長いコンテントシーケンスに対して疎いため、共同ターゲットの最適化は困難である。 我々のローカライゼーションファーストカリキュラムは、コンテンツ認識再サンプリングを伴うコンテンツターゲットを追加する前に、クラスボックスフォーマットを学習する。 エンジニアリング描画データセット(EDデータセット)の固定された検証分割では、ローカライゼーション-Firstは、ジョイントトレーニングよりも厳密なローカライゼーションF1を0.0955改善する(ペア画像ブートストラップ95%間隔: [0.0350, 0.1572])。 G-Unified は NED が最も低く、細胞 F1 が最も高く、非ゼロの正確な一致スコアしか持たない。 フルページPCB描画解析のための検出不要のベースラインを提供する。

関連論文リスト

• One Patch Is Enough: Reinforcement-Optimized Visual Token Grounding for MLLM-Based Scene Text Spotting [51.09550363815034]
  シーンテキストスポッティングはテキスト認識と空間的局所化の間に高精度なアライメントを必要とする。 本研究では,個々のテキストインスタンスを単一のアンカー視覚トークンでルーティングする視覚中心のフレームワークであるSingle-Patch Text Spotting (SPaTS)を提案する。 SPaTS はフロンティアのクローズドソースMLLM と OCR MLLM の両方で一貫した性能を示し,その性能を著しく向上させる。
  論文  参考訳（メタデータ） (2026-07-30T09:17:48Z)
• GLINT: Sparsely Gated Vision-Language Alignment for Fine-Grained Radiology Representations [1.2679579476597642]
  本稿では,この疎対応を明示的にモデル化したGLINT(Gated Language-ImagealignedmeNT)を提案する。 GLINTは、フリーテキストクエリからのゼロショット分類、グラウンド化、セグメンテーションを可能にする。 マスクの監督なしに3次元CTボリュームにゼロショットセグメンテーションを初めて示す。
  論文  参考訳（メタデータ） (2026-06-02T05:40:51Z)
• Improving fine-grained understanding in image-text pre-training [37.163228122323865]
  SPARse Fine-fine Contrastive Alignment (SPARC) は、画像とテキストのペアからよりきめ細かなマルチモーダル表現を事前学習する簡単な方法である。 粗い情報に依存した画像レベルのタスクに対して、競合するアプローチよりも優れた性能を示す。
  論文  参考訳（メタデータ） (2024-01-18T10:28:45Z)
• CLIM: Contrastive Language-Image Mosaic for Region Representation [58.05870131126816]
  Contrastive Language-Image Mosaic (CLIM) は、領域とテキストの表現を整合させる新しいアプローチである。 CLIMは、異なるオープン語彙オブジェクト検出方法を一貫して改善する。 視覚言語モデルの領域表現を効果的に強化することができる。
  論文  参考訳（メタデータ） (2023-12-18T17:39:47Z)
• Text Augmented Spatial-aware Zero-shot Referring Image Segmentation [60.84423786769453]
  テキスト拡張空間認識(TAS)ゼロショット参照画像セグメンテーションフレームワークを提案する。 TASには、例レベルのマスク抽出のためのマスク提案ネットワーク、画像テキスト相関をマイニングするためのテキスト拡張ビジュアルテキストマッチングスコア、マスク後処理のための空間が含まれている。 提案手法は,最先端のゼロショット参照画像セグメンテーション法より明らかに優れている。
  論文  参考訳（メタデータ） (2023-10-27T10:52:50Z)
• Zero-shot spatial layout conditioning for text-to-image diffusion models [52.24744018240424]
  大規模テキスト・画像拡散モデルでは、生成画像モデリングにおける技術の現状が大幅に改善されている。 画像キャンバスのセグメントに関連付けられたテキストからの画像生成を考察し、直感的な自然言語インタフェースと生成されたコンテンツの正確な空間制御を組み合わせた。 ZestGuideは,事前学習したテキスト・画像拡散モデルにプラグイン可能なゼロショットセグメンテーション誘導手法である。
  論文  参考訳（メタデータ） (2023-06-23T19:24:48Z)
• CorrMatch: Label Propagation via Correlation Matching for Semi-Supervised Semantic Segmentation [73.89509052503222]
  本稿では、CorrMatchと呼ばれる、単純だが実行可能な半教師付きセマンティックセマンティックセマンティックセマンティクス手法を提案する。 相関写像は、同一カテゴリのクラスタリングピクセルを容易に実現できるだけでなく、良好な形状情報も含んでいることを観察する。 我々は,高信頼画素を拡大し,さらに掘り出すために,画素の対の類似性をモデル化して画素伝搬を行う。 そして、相関地図から抽出した正確なクラス非依存マスクを用いて、領域伝搬を行い、擬似ラベルを強化する。
  論文  参考訳（メタデータ） (2023-06-07T10:02:29Z)
• Learning to Generate Text-grounded Mask for Open-world Semantic Segmentation from Only Image-Text Pairs [10.484851004093919]
  我々は,任意の視覚概念をイメージに分割する学習を目的とした,オープンワールドセマンティックセマンティックセマンティックセマンティクスに取り組む。 既存のオープンワールドセグメンテーション手法は、多様な視覚概念を学習するためにコントラッシブラーニング(CL)を採用することで、目覚ましい進歩を見せている。 そこで本研究では,モデルが地域テキストアライメントを直接学習することのできる,新しいテキストグラウンド・コントラスト学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-12-01T18:59:03Z)
• Learning Independent Instance Maps for Crowd Localization [44.6430092887941]
  Independent Instance Map segmentation (IIM) という,クラウドローカライゼーションのためのエンドツーエンドかつ簡単なフレームワークを提案する。 IIMセグメントは独立した接続コンポーネントに群集し、位置と群集数を得ます。 異なる密度領域のセグメンテーション品質を向上させるために,微分可能二元化モジュール(bm)を提案する。 BMはローカライズモデルに2つの利点をもたらす: 1) 異なる画像のしきい値マップを適応的に学習し、各インスタンスをより正確に検出する; 2) バイナリ予測とラベルの損失を使ってモデルを直接訓練する。
  論文  参考訳（メタデータ） (2020-12-08T02:17:19Z)

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。