論文の概要: Commonsense Reasoning in Computer Vision: Foundations, Recent Advancements, and Future Directions

• arxiv url: http://arxiv.org/abs/2609.05257v1
• Date: Fri, 04 Sep 2026 15:19:37 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:24.099916
• Title: Commonsense Reasoning in Computer Vision: Foundations, Recent Advancements, and Future Directions
• Title（参考訳）: コンピュータビジョンにおける常識推論:基礎,最近の進歩,今後の方向性
• Abstract要約: 本稿では,コモンセンス知識をコンピュータビジョンタスクに統合する開発事例について述べる。 データセットバイアス、知識の不完全性、統合問題に関連する現在の制限について論じる。 我々は、クロスモーダル推論、スケーラブルなコモンセンス知識注入、ニューロシンボリックハイブリッドアーキテクチャにおける先進的な研究軌道を強調した。
• 参考スコア（独自算出の注目度）: 1.396778199498531
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Commonsense reasoning in computer vision encompasses integrating visual data and contextual knowledge, crucial for enhancing AI's understanding of everyday scenarios. This understanding not only improves machine learning models but also enhances their ability to interact meaningfully with humans and the environment. Unlike CNN-based conventional vision models, which are designed to identify objects within a specific image, incorporating commonsense knowledge enables models to interpret scenes in a more holistic manner, thereby improving their spatial ability to reason about relationships among objects and actions. This integration not only enhances object recognition but also facilitates a deeper understanding of the contextual factors, ultimately leading to more precise predictions and interactions in real-world applications. This paper presents a comprehensive survey of recent developments that integrate commonsense knowledge into computer vision tasks. We systematically review approaches based on knowledge graphs, scene graphs, neuro-symbolic models, and commonsense-augmented transformers. We also outline current limitations related to dataset bias, knowledge incompleteness, and integration challenges. Finally, we highlight prospective research trajectories in cross-modal reasoning, scalable commonsense knowledge injection, and neuro-symbolic hybrid architectures to develop truly intelligent visual systems.
• Abstract（参考訳）: コンピュータビジョンにおける常識推論(Commonsense reasoning)は、視覚データとコンテキスト知識の統合を含む。 この理解は機械学習モデルを改善するだけでなく、人間や環境と有意義に対話する能力を高める。 特定の画像内の物体を特定するために設計されたCNNベースの従来の視覚モデルとは異なり、コモンセンス知識を取り入れることで、モデルはより全体論的にシーンを解釈し、オブジェクトとアクション間の関係を推論する空間的能力を向上させることができる。 この統合は、オブジェクト認識を強化するだけでなく、コンテキスト要因のより深い理解を促進する。 本稿では,コンピュータビジョンタスクにコモンセンス知識を取り入れた最近の開発状況を包括的に調査する。 我々は,知識グラフ,シーングラフ,ニューロシンボリックモデル,コモンセンス強化トランスフォーマーに基づくアプローチを体系的に検討した。 また、データセットのバイアス、知識の不完全性、統合上の課題に関する現在の制限についても概説します。 最後に、真にインテリジェントな視覚システムを開発するために、クロスモーダル推論、スケーラブルなコモンセンス知識注入、ニューロシンボリックハイブリッドアーキテクチャの先進的な研究軌道を強調した。

関連論文リスト

• Video Event Reasoning and Prediction by Fusing World Knowledge from LLMs with Vision Foundation Models [10.1080193179562]
  現在の理解モデルは「何」を認識するのに優れているが、因果推論や将来の予測のような高いレベルの認知タスクでは不足している。 本稿では,知識駆動型推論コアとして機能するLarge Language Model (LLM)を用いて,視覚の深層認識のための強力なビジョン基礎モデルと融合する新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-07-08T09:43:17Z)
• Digital Gene: Learning about the Physical World through Analytic Concepts [54.21005370169846]
  AIシステムは、物理的な世界を理解し、相互作用することに関して、依然として苦戦している。 本研究は分析概念の考え方を紹介する。 マシンインテリジェンスは、物理的な世界を理解し、推論し、相互作用するためのポータルを提供する。
  論文  参考訳（メタデータ） (2025-04-05T13:22:11Z)
• Neural-Symbolic Reasoning over Knowledge Graphs: A Survey from a Query Perspective [55.79507207292647]
  知識グラフ推論は、データマイニング、人工知能、Web、社会科学など、さまざまな分野において重要である。 ニューラルAIの台頭は、深層学習の頑健さと象徴的推論の精度を融合させることで、大きな進歩を見せている。 大規模言語モデル(LLM)の出現により、知識グラフ推論の新しいフロンティアが開かれた。
  論文  参考訳（メタデータ） (2024-11-30T18:54:08Z)
• Discovering Conceptual Knowledge with Analytic Ontology Templates for Articulated Objects [42.9186628100765]
  我々は,概念レベルでの動作を通じて,機械知能に類似の能力を持たせることを目指している。 AOT駆動のアプローチは、3つの重要な観点で利益をもたらす。
  論文  参考訳（メタデータ） (2024-09-18T04:53:38Z)
• Augmented Commonsense Knowledge for Remote Object Grounding [67.30864498454805]
  エージェントナビゲーションを改善するための時間的知識グラフとして,コモンセンス情報を活用するための拡張コモンセンス知識モデル(ACK)を提案する。 ACKは知識グラフ対応のクロスモーダルとコンセプトアグリゲーションモジュールで構成され、視覚的表現と視覚的テキストデータアライメントを強化する。 我々は、より正確な局所的な行動予測につながるコモンセンスに基づく意思決定プロセスのための新しいパイプラインを追加します。
  論文  参考訳（メタデータ） (2024-06-03T12:12:33Z)
• Visual Knowledge in the Big Model Era: Retrospect and Prospect [63.282425615863]
  視覚知識は、視覚概念とその関係を簡潔で包括的で解釈可能な方法でカプセル化できる新しい知識表現である。 視覚世界に関する知識は、人間の認知と知性にとって欠かせない要素として認識されているため、視覚知識は、機械知性を確立する上で重要な役割を担っていると考えられる。
  論文  参考訳（メタデータ） (2024-04-05T07:31:24Z)
• Integration and Performance Analysis of Artificial Intelligence and Computer Vision Based on Deep Learning Algorithms [5.734290974917728]
  本稿では,ディープラーニングとコンピュータビジョン技術の統合による応用効果の分析に焦点をあてる。 ディープラーニングは階層型ニューラルネットワークを構築することで歴史的なブレークスルーを実現し、エンドツーエンドの機能学習と画像の意味的理解を可能にする。 コンピュータビジョンの分野で成功した経験は、ディープラーニングアルゴリズムのトレーニングに強力なサポートを提供する。
  論文  参考訳（メタデータ） (2023-12-20T09:37:06Z)
• Causal Reasoning Meets Visual Representation Learning: A Prospective Study [117.08431221482638]
  解釈可能性の欠如、堅牢性、分布外一般化が、既存の視覚モデルの課題となっている。 人間レベルのエージェントの強い推論能力にインスパイアされた近年では、因果推論パラダイムの開発に多大な努力が注がれている。 本稿では,この新興分野を包括的に概観し,注目し,議論を奨励し,新たな因果推論手法の開発の急激さを先導することを目的とする。
  論文  参考訳（メタデータ） (2022-04-26T02:22:28Z)
• A Review on Intelligent Object Perception Methods Combining Knowledge-based Reasoning and Machine Learning [60.335974351919816]
  物体知覚はコンピュータビジョンの基本的なサブフィールドである。 最近の研究は、物体の視覚的解釈のインテリジェンスレベルを拡大するために、知識工学を統合する方法を模索している。
  論文  参考訳（メタデータ） (2019-12-26T13:26:49Z)

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。