Fugu-MT 論文翻訳(概要): Distilling Vision-Language Models for On-Device Fire Understanding

論文の概要: Distilling Vision-Language Models for On-Device Fire Understanding

arxiv url: http://arxiv.org/abs/2609.05782v1
Date: Sat, 05 Sep 2026 00:33:01 GMT
ステータス: 翻訳完了
システム内更新日: 2026-09-10 19:44:08.135655
Title: Distilling Vision-Language Models for On-Device Fire Understanding
Title（参考訳）: デバイス上での火災理解のための蒸留ビジョンランゲージモデル
Abstract要約: 視覚言語モデル(VLM)は、従来の火災検知システムに代わる有望な代替手段を提供する。その大きなモデルサイズは、組込み火器センサーへの配備を非現実的にする。本研究では, 教師による知識蒸留フレームワークを開発し, 大規模VLMを微調整して, 軽量な学生に蒸留することができることを示した。
参考スコア（独自算出の注目度）: 2.708990023212152
License: http://creativecommons.org/licenses/by-nc-nd/4.0/
Abstract: Vision-language models (VLMs) offer a promising alternative to conventional fire detection systems by reasoning about the semantic context of a scene and thus reducing false alarms, yet their large model size makes deployment on embedded fire sensors impractical. In this paper, we study how domain-specialized VLMs can be compressed for fully on-device deployment without losing the safety-critical behavior required for fire detection. We develop a teacher-student knowledge distillation framework in which large VLMs fine-tuned for fire understanding can be distilled into lightweight students. Experiments across multiple VLM families and model scales show that compact students preserve most of their teachers' fire-understanding capability. We further deploy the distilled models on our commercial Detectium fire detection sensor and jointly evaluate reasoning accuracy, latency, and memory usage. The results show that compression and deployment affect not only accuracy but also model failure modes, with Qwen2.5-0.5B providing the strongest overall deployment trade-off. Our findings provide broader guidance for deploying domain-specialized VLMs in resource-constrained, safety-critical settings.
Abstract（参考訳）: 視覚言語モデル(VLM)は、シーンの意味的コンテキストを推論し、誤報を減らすことによって、従来の火災検知システムに代わる有望な代替手段を提供する。本稿では,ドメイン固有化VLMが,火災検知に必要な安全クリティカルな振る舞いを損なうことなく,デバイス上での完全な展開のためにどのように圧縮できるかを検討する。本研究では, 教師による知識蒸留フレームワークを開発し, 大規模VLMを微調整して, 軽量な学生に蒸留することができることを示した。複数のVLMファミリーとモデルスケールにわたる実験は、コンパクトな学生が教師の消防活動のほとんどを維持できることを示している。さらに,市販の火災検知センサに蒸留モデルを配置し,推算精度,レイテンシ,メモリ使用量などを共同評価する。その結果、圧縮とデプロイメントは精度だけでなく、モデル障害モードにも影響し、Qwen2.5-0.5Bはデプロイメント全体のトレードオフとして最強であることがわかった。本研究は, 資源制約, 安全クリティカルな環境下でのドメイン特化VLMの展開について, より広範なガイダンスを提供する。

関連論文リスト

GazeCLIP: Gaze-Guided CLIP with Adaptive-Enhanced Fine-Grained Language Prompt for Deepfake Attribution and Detection [80.12497948980378]
現在のディープフェイク属性やディープフェイク検出作業は、新しい生成方法への一般化が不十分である傾向にある。適応型きめ細粒度言語プロンプトを用いた新しい視線誘導型CLIPを提案する。拡散モデルや流れモデルのような新しい発電機上でのネットワークのDFAD性能を評価するために, 新規できめ細かなベンチマークを行う。 CLIPをベースとした視線認識モデルを導入し,顔偽造攻撃の一般化を図った。
論文参考訳（メタデータ） (2026-03-31T05:59:59Z)
PyroFocus: A Deep Learning Approach to Real-Time Wildfire Detection in Multispectral Remote Sensing Imagery [0.0]
迅速かつ正確な山火事検出は、緊急対応と環境管理に不可欠である。空中飛行と宇宙飛行のミッションでは、リアルタイムアルゴリズムは火災、活動的な火災、および発射後の条件を区別しなければならない。火の分類を行い,火の放射力(FRP)レグレッションやセグメンテーションを施した2段パイプラインであるPyroFocusを導入する。
論文参考訳（メタデータ） (2025-12-02T21:59:45Z)
V-Attack: Targeting Disentangled Value Features for Controllable Adversarial Attacks on LVLMs [66.81402538540458]
本稿では,局所的セマンティックアタックの新しい手法であるV-Attackを提案する。 V-Attackは、最先端の手法よりも平均して36%の攻撃成功率を改善する。
論文参考訳（メタデータ） (2025-11-25T11:51:17Z)
Phantom Menace: Exploring and Enhancing the Robustness of VLA Models against Physical Sensor Attacks [17.07905934998345]
VLA(Vision-Language-Action)モデルは、エンドツーエンドの知覚対アクションパイプラインを可能にすることで、ロボットシステムに革命をもたらす。これらのパイプラインは、カメラによって処理された視覚信号やマイクによってキャプチャされた聴覚信号など、複数の感覚的モダリティを統合している。 VLAベースのシステムがセンサー入力に大きく依存していることを考えると、物理世界のセンサー攻撃に対するVLAモデルのセキュリティはいまだに過小評価されている。
論文参考訳（メタデータ） (2025-11-13T06:24:28Z)
DetectiumFire: A Comprehensive Multi-modal Dataset Bridging Vision and Language for Fire Understanding [5.257894673786823]
DetectiumFireは、22.5kの高解像度火災関連画像と2.5kの現実世界火災関連ビデオからなる大規模マルチモーダルデータセットである。データは従来のコンピュータビジョンラベル(例えば、バウンディングボックス)とシーンを記述する詳細なテキストプロンプトの両方で注釈付けされる。我々は、オブジェクト検出、拡散ベース画像生成、視覚言語推論など、複数のタスクにまたがるDetectiumFireの有用性を検証する。
論文参考訳（メタデータ） (2025-11-04T11:33:11Z)
Uncertainty-Aware Post-Detection Framework for Enhanced Fire and Smoke Detection in Compact Deep Learning Models [0.0]
既存のビジョンベースの手法は、効率性と信頼性のバランスをとる上で困難に直面している。 YOLOv5nやYOLOv8nといったディープラーニングモデルは、UAV、CCTVシステム、IoTデバイスへのデプロイに広く採用されている。本稿では,統計的不確実性と領域関連視覚的手がかりの両方を用いて,検出信頼度を再スケールする不確実性検出後フレームワークを提案する。
論文参考訳（メタデータ） (2025-10-11T08:36:57Z)
Universal Camouflage Attack on Vision-Language Models for Autonomous Driving [67.34987318443761]
自動運転のためのビジュアル言語モデリングが、有望な研究方向として浮上している。 VLM-ADは、敵の攻撃による深刻なセキュリティ脅威に弱いままである。 VLM-ADのための最初のユニバーサルカモフラージュ攻撃フレームワークを提案する。
論文参考訳（メタデータ） (2025-09-24T14:52:01Z)
Robust Anti-Backdoor Instruction Tuning in LVLMs [53.766434746801366]
大規模視覚言語モデル(LVLM)のための軽量で認証に依存しない防御フレームワークについて紹介する。私たちのフレームワークは、命令チューニングの下で、アダプタモジュールとテキスト埋め込み層のみを微調整します。 Flickr30kとMSCOCOに対する7つの攻撃に対する実験は、我々の攻撃の成功率をほぼゼロに低下させることを示した。
論文参考訳（メタデータ） (2025-06-04T01:23:35Z)
Real-Time Aerial Fire Detection on Resource-Constrained Devices Using Knowledge Distillation [29.875425833515973]
森林火災の災害は、環境劣化、人的損失、財政的損害を著しく引き起こす。現在のシステムは、主に視野の限られた固定CCTVカメラに依存しており、大規模な屋外環境での有効性を制限している。より強力な教師モデルからの知識の蒸留を通じて圧縮されたMobileViT-Sに基づく軽量火災検知モデルを提案する。
論文参考訳（メタデータ） (2025-02-28T11:49:58Z)
MarvelOVD: Marrying Object Recognition and Vision-Language Models for Robust Open-Vocabulary Object Detection [107.15164718585666]
開語彙検出コンテキスト下でのVLMの偏り予測の根本原因について検討した。私たちの観察は、非常に優れたトレーニングターゲットを生成する、単純で効果的なパラダイム、コード化されたMarvelOVDにつながります。我々の手法は、他の最先端技術よりも大きなマージンで優れている。
論文参考訳（メタデータ） (2024-07-31T09:23:57Z)
Meta-UDA: Unsupervised Domain Adaptive Thermal Object Detection using Meta-Learning [64.92447072894055]
赤外線(IR)カメラは、照明条件や照明条件が悪ければ頑丈である。既存のUDA手法を改善するためのアルゴリズムメタ学習フレームワークを提案する。 KAISTおよびDSIACデータセットのための最先端熱検出器を作成した。
論文参考訳（メタデータ） (2021-10-07T02:28:18Z)

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。