論文の概要: Vague2Detect: Handling Ambiguous Prompts in Knowledge-Based Open-World Detection

• arxiv url: http://arxiv.org/abs/2609.09949v1
• Date: Wed, 09 Sep 2026 09:39:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-10 19:44:08.968108
• Title: Vague2Detect: Handling Ambiguous Prompts in Knowledge-Based Open-World Detection
• Title（参考訳）: Vague2Detect:知識に基づくオープンワールド検出における曖昧なプロンプト処理
• Abstract要約: Vague2Detectは、構造化知識ベースから候補を検索するハイブリッドパイプラインで、YOLO-Worldはそのイメージに存在を検証する。 カスタムイメージとOpen Images V7サブセットを使用した家庭用シーンのベンチマークでは、YOLO-Worldだけで32%のVag Prompt Success Rate(VPSR)を達成している。 Vague2Detectは、高い精度で61% VPSRに改善し、GPTフォールバックで拡張すると85%まで向上する。
• 参考スコア（独自算出の注目度）: 4.854018111708599
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Real-world detectors must often interpret functional or ambiguous prompts, yet conventional models such as YOLO remain restricted to fixed class lists. Even open-vocabulary models like YOLO-World frequently misalign vague language with the intended objects. Building on our prior work Commonsense-Guided Open-World Object Detection Using LLMs and Visual-Semantic Matching, we address YOLO-World's limitations in grounding task-driven queries. We propose Vague2Detect, a hybrid pipeline in which a fine-tuned Sentence-BERT retrieves candidates from a structured household Knowledge Base (KB), and YOLO-World verifies their presence in the image. For prompts outside the KB, a large language model (GPT-3.5-turbo) generates candidate descriptions, dynamically expanding the KB to cover novel concepts. On a benchmark of household scenes using custom images and an Open Images V7 subset, YOLO-World alone achieves only 32% Vague Prompt Success Rate (VPSR), the ability to map ambiguous queries to correct detections. In contrast, Vague2Detect improves performance to 61% VPSR with high precision, and up to 85% when augmented with GPT fallback.
• Abstract（参考訳）: 実世界の検出器はしばしば機能的または曖昧なプロンプトを解釈しなければならないが、YOLOのような従来のモデルは固定クラスリストに制限されている。 YOLO-Worldのようなオープン語彙モデルでさえ、意図したオブジェクトとあいまいな言語を誤認することが多い。 LLMとVisual-Semantic Matchingを用いたCommonsense-Guided Open-World Object Detectionに基づいて、タスク駆動クエリの基盤化におけるYOLO-Worldの制限に対処する。 本稿では,構造化された知識ベース(KB)から細調整されたSentence-BERTが候補を検索するハイブリッドパイプラインであるVag2Detectを提案する。 KB外部のプロンプトに対して、大きな言語モデル(GPT-3.5-turbo)が候補記述を生成し、KBを動的に拡張して新しい概念をカバーする。 カスタムイメージとOpen Images V7サブセットを使用した家庭用シーンのベンチマークでは、YOLO-Worldだけで32%のVag Prompt Success Rate(VPSR)を達成している。 対照的にVag2Detectは、高い精度で61% VPSRに改善し、GPTフォールバックで拡張すると85%まで向上する。

関連論文リスト

• Bilateral Collaboration with Large Vision-Language Models for Open Vocabulary Human-Object Interaction Detection [29.24483392547041]
  オープン・ボキャブラリ・ヒューマン・オブジェクト・インタラクション(HOI)検出は、画像に対するすべての人間、動詞、オブジェクト>三つ子を検知する難しいタスクである。 既存のアプローチは通常、大きなビジョンランゲージモデル(VLM)によって生成される出力機能に依存している。 オープン語彙HOI検出のためのバイラテラル協調フレームワーク(BC-HOI)を提案する。
  論文  参考訳（メタデータ） (2025-07-09T03:16:39Z)
• YOLOE: Real-Time Seeing Anything [80.98075581214799]
  YOLOEは、様々なオープンプロンプト機構をまたいだ検出とセグメンテーションを、単一の高効率モデルに統合する。 YOLOEの例外的なゼロショット性能と高い推論効率と訓練コストの低い転送性。
  論文  参考訳（メタデータ） (2025-03-10T15:42:59Z)
• YOLO-UniOW: Efficient Universal Open-World Object Detection [63.71512991320627]
  オープン語彙とオープンワールドオブジェクト検出タスクを統合する新しいパラダイムであるUniversal Open-World Object Detection (Uni-OWD)を紹介する。 YOLO-UniOWはAdaptive Decision Learningを導入し、計算コストのかかるクロスモダリティ融合をCLIP潜伏空間の軽量アライメントに置き換える。 実験では、YOLO-UniOWが34.6 APと30.0 APr、推論速度は69.6 FPSを達成している。
  論文  参考訳（メタデータ） (2024-12-30T01:34:14Z)
• RT-OVAD: Real-Time Open-Vocabulary Aerial Object Detection via Image-Text Collaboration [12.66046875297631]
  我々は,空中シーンのための初のリアルタイムオープンボキャブラリ検出器RT-OVADを提案する。 従来のカテゴリ回帰損失を置き換えるために,画像とテキストのアライメント損失を導入する。 また,画像テキスト協調エンコーダとテキスト誘導復号器を組み合わせた軽量な画像テキスト協調方式を提案する。
  論文  参考訳（メタデータ） (2024-08-22T09:33:25Z)
• DetCLIPv3: Towards Versatile Generative Open-vocabulary Object Detection [111.68263493302499]
  DetCLIPv3は、オープンボキャブラリオブジェクト検出と階層ラベルの両方で優れた高性能検出器である。 DetCLIPv3は,1)Versatileモデルアーキテクチャ,2)高情報密度データ,3)効率的なトレーニング戦略の3つのコア設計によって特徴付けられる。 DetCLIPv3は、GLIPv2, GroundingDINO, DetCLIPv2をそれぞれ18.0/19.6/6 APで上回り、優れたオープン語彙検出性能を示す。
  論文  参考訳（メタデータ） (2024-04-14T11:01:44Z)
• YOLO-World: Real-Time Open-Vocabulary Object Detection [87.08732047660058]
  オープン語彙検出機能でYOLOを強化する革新的なアプローチであるYOLO-Worldを紹介する。 提案手法は,ゼロショット方式で広範囲の物体を高効率で検出する。 YOLO-WorldはV100上で52.0 FPSの35.4 APを達成した。
  論文  参考訳（メタデータ） (2024-01-30T18:59:38Z)
• Multi-modal Queried Object Detection in the Wild [72.16067634379226]
  MQ-Detは、現実世界のオブジェクト検出のための効率的なアーキテクチャと事前学習戦略設計である。 既存の言語クエリのみの検出器に視覚クエリを組み込む。 MQ-Detのシンプルで効果的なアーキテクチャとトレーニング戦略設計は、ほとんどの言語でクエリされたオブジェクト検出器と互換性がある。
  論文  参考訳（メタデータ） (2023-05-30T12:24:38Z)
• Bridging the Gap between Object and Image-level Representations for Open-Vocabulary Detection [54.96069171726668]
  オープンボキャブラリ検出(OVD)で使用される2種類の弱いスーパービジョンには、事前訓練されたCLIPモデルと画像レベルの監視が含まれる。 本稿では,CLIPモデルから言語埋め込みをオブジェクト中心でアライメントすることでこの問題に対処することを提案する。 上記の2つの対物配向戦略の橋渡しを,新しい重み伝達関数を用いて行う。
  論文  参考訳（メタデータ） (2022-07-07T17:59:56Z)

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。