論文の概要: Parser-Free VLM Verification for Federated Weakly Supervised Video Anomaly Detection

• arxiv url: http://arxiv.org/abs/2609.07455v1
• Date: Mon, 07 Sep 2026 13:04:00 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.428363
• Title: Parser-Free VLM Verification for Federated Weakly Supervised Video Anomaly Detection
• Title（参考訳）: フェデレート弱監視ビデオ異常検出のためのパーサフリーVLM検証
• Abstract要約: 本稿では,クライアント間で小型のMILスコアラーのみを訓練する軽量なMIL-VLMカスケードを導入し,凍結したVLMはハイスコアな疑似セグメントをポストホックで検証する。 解析されたテキスト生成決定と、次の確率から連続的な異常スコアを抽出するロジットベースインタフェースの2つのVLMフィードバックインタフェースについて検討する。 対照的に、ロジットインタフェースは、フレームレベルのAUCとフレームレベルのAPの両方を、両方のVLMでMILベースライン上で改善する固定自由信号を提供する。
• 参考スコア（独自算出の注目度）: 0.27998963147546135
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: How can vision-language models help video anomaly detection (VAD) when surveillance data remain distributed, weakly labeled, and resource-constrained? Most weakly supervised VAD methods assume centralized training; recent VLM-based extensions further rely on dense inference, generated explanations, or additional adaptation. We introduce a lightweight federated MIL-VLM cascade in which only a compact MIL scorer is trained across clients, while a frozen VLM verifies high-scoring suspect segments post hoc. We study two VLM feedback interfaces: parsed text-generation decisions and a logit-based interface that extracts a continuous anomaly score from next-token Yes/No probabilities. Experiments on UCF-Crime with InternVL3.5-2B and Qwen3-VL-2B-Instruct show that text-generation verification can improve frame-level AUC after diagnostic temporal post-processing, but remains sensitive to prompts, parsers, model choice, and smoothing. In contrast, the logit interface provides a fixed parser-free signal that improves both frame-level AUC and frame-level AP over the MIL baseline across both VLMs, without temporal post-processing in its main configuration. Since suspect segments are updated independently once available, next-token logit feedback provides a simple segment-local alternative to text-generation verification.
• Abstract（参考訳）: 監視データが分散され、ラベルが弱く、リソースが制約されたままである場合、視覚言語モデルはビデオ異常検出(VAD)にどのように役立つのか? ほとんどの弱い教師付きVAD法は集中的な訓練を前提としており、最近のVLMベースの拡張はより密集した推論、生成された説明、追加的な適応に依存している。 本稿では,クライアント間で小型のMILスコアラーのみを訓練する軽量なMIL-VLMカスケードを導入し,凍結したVLMはハイスコアな疑似セグメントをポストホックで検証する。 解析されたテキスト生成決定と、次の確率から連続的な異常スコアを抽出するロジットベースインタフェースの2つのVLMフィードバックインタフェースについて検討する。 InternVL3.5-2BとQwen3-VL-2B-InstructによるUCF-Crimeの実験では、テキスト生成検証は時間的後処理後のフレームレベルAUCを改善するが、プロンプト、パーサー、モデル選択、平滑化には敏感である。 対照的に、ロジットインタフェースは、フレームレベルのAUCとフレームレベルのAPを両方のVLMのベースラインにわたって改善する固定パーサのない信号を提供する。 疑似セグメントは独立して更新されるため、次のトークンロジットフィードバックはテキスト生成検証の単純なセグメントローカルな代替手段を提供する。

関連論文リスト

• Probe-VAD: Ordinal Likelihood Probing for Training-Free Video Anomaly Detection [34.268676888953046]
  ビデオ異常検出(VAD)は、未トリミングビデオ中の異常事象をローカライズすることを目的としている。 既存のアプローチでは、視覚的理解と異常スコアリングの間に制限的なインターフェースが課されている。 凍結したVLMから重度の好みを直接探索する順序付きバイナリ・プロブリング・フレームワークである textbfProbe-VAD を提案する。
  論文  参考訳（メタデータ） (2026-09-15T13:59:47Z)
• COPRA: Conditional Parameter Adaptation with Reinforcement Learning for Video Anomaly Detection [10.332480827185973]
  映像異常検出(VAD)における視覚言語モデル(VLM)の性能は高い。 既存のVLMベースのVAD手法は、トレーニングと推論の根本的なミスマッチに悩まされる。 VLMベースのVADのための条件パラメータ適応フレームワークCOPRAを提案する。
  論文  参考訳（メタデータ） (2026-05-14T18:39:40Z)
• Fast-dVLM: Efficient Block-Diffusion VLM via Direct Conversion from Autoregressive VLM [58.322826487307765]
  我々は,KV-cache互換並列デコードと推測ブロックデコードが可能なブロック拡散型VLMであるFast-dVLMを提案する。 SGLangの統合とFP8量子化により、Fast-dVLMはARベースライン上でのエンドツーエンドの推論速度を6倍以上に向上する。
  論文  参考訳（メタデータ） (2026-04-08T08:50:08Z)
• RVLM: Recursive Vision-Language Models with Adaptive Depth [0.1631115063641726]
  RVLMは単一パス推論を反復生成実行ループに置き換える。 すべての診断クレームは、監査性要件を満たす実行可能なコードに基礎を置いています。 Gemini 2.5 Flashを用いたBraTS 2023 Meningioma (脳MRI) とMIMIC-CXR (胸部X線) の評価を行った。
  論文  参考訳（メタデータ） (2026-03-25T11:52:55Z)
• DV-VLN: Dual Verification for Reliable LLM-Based Vision-and-Language Navigation [18.493700097379186]
  VLN(Vision-and-Language Navigation)は、自然言語の指示に従って複雑な3D環境をナビゲートするために、エンボディエージェントを必要とする。 大規模言語モデル(LLM)の最近の進歩により、言語駆動ナビゲーションが実現され、解釈性が改善されている。 DV-VLNはジェネレーション・then-verifyパラダイムに従う新しいVLNフレームワークである。
  論文  参考訳（メタデータ） (2026-01-26T13:47:55Z)
• VideoHEDGE: Entropy-Based Hallucination Detection for Video-VLMs via Semantic Clustering and Spatiotemporal Perturbations [4.509454543418357]
  ビデオ対応視覚モデル (VideoVLMs) の幻覚は、今も頻繁かつ高信頼である。 質問応答における幻覚検出のためのモジュラーフレームワークであるVideoHedGEを紹介する。
  論文  参考訳（メタデータ） (2026-01-13T13:42:05Z)
• 1 + 1 > 2: Detector-Empowered Video Large Language Model for Spatio-Temporal Grounding and Reasoning [53.28271278708241]
  本稿では,DEViL の略である Detector-Empowered Video LLM を提案する。 DEViLはオープンボキャブラリ検出器(OVD)とビデオLLMを結合する 単に空間的なプロンプトやセグメンタスイッチとして機能するトークンとは異なり、RTTは制御信号とOVDのテキスト埋め込みの置き換えの両方として機能する。
  論文  参考訳（メタデータ） (2025-12-07T06:11:15Z)
• Discrete Diffusion VLA: Bringing Discrete Diffusion to Action Decoding in Vision-Language-Action Policies [62.653984010274485]
  VLA(Vision-Language-Action)モデルは、画像や命令をロボットアクションにマッピングするために、大きな視覚言語バックボーンを適応させる。 prevailingAsは、固定された左から右への順序で自動回帰的にアクションを生成するか、バックボーンの外側で分離または拡散ヘッドをアタッチする。 本稿では離散拡散を伴う離散化作用チャンクをモデル化する統一変換器ポリシである離散拡散VLAを提案する。
  論文  参考訳（メタデータ） (2025-08-27T17:39:11Z)
• Video-Level Language-Driven Video-Based Visible-Infrared Person Re-Identification [47.40091830500585]
  Visible-based Infrared Person Re-Identification (VVIReID) は、モダリティ内のシーケンスレベルの特徴を抽出することによって、歩行者のシーケンスをモダリティにわたってマッチングすることを目的としている。 ビデオレベル言語駆動型VVI-ReID(VLD)フレームワークは、イモダリティ言語(IMLP)と時空間アグリゲーションという2つのコアモジュールから構成される。
  論文  参考訳（メタデータ） (2025-06-03T04:49:08Z)
• OVLW-DETR: Open-Vocabulary Light-Weighted Detection Transformer [63.141027246418]
  本稿では,OVLW-DETR(Open-Vocabulary Light-Weighted Detection Transformer)を提案する。 本稿では,視覚言語モデル(VLM)からオブジェクト検出器への知識伝達を簡易なアライメントで行うエンド・ツー・エンドのトレーニングレシピを提案する。 実験により,提案手法は標準ゼロショットLVISベンチマークにおいて,既存の実時間開語彙検出器よりも優れていることが示された。
  論文  参考訳（メタデータ） (2024-07-15T12:15:27Z)
• Can Large Vision-Language Models Correct Semantic Grounding Errors By Themselves? [61.899791071654654]
  本稿では,視覚言語モデル(VLM)が,フィードバックの「受信」によって意味的接地を改善することができるかどうかを検討する。 適切に刺激すれば、VLMは1ステップと反復の両方でフィードバックを活用できる。 検討したすべての設定において、すべてのモデルにまたがる自動フィードバックを用いて、基底精度を一貫して改善することを示す。
  論文  参考訳（メタデータ） (2024-04-09T17:59:04Z)
• F-VLM: Open-Vocabulary Object Detection upon Frozen Vision and Language Models [54.21757555804668]
  F-VLMは,凍結視覚と言語モデルに基づくシンプルなオープン語彙オブジェクト検出手法である。 F-VLMは、知識蒸留や検出調整事前訓練の必要性を排除し、現在の多段階訓練パイプラインを単純化する。
  論文  参考訳（メタデータ） (2022-09-30T17:59:52Z)

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。