論文の概要: Evaluation of Vision-Language Models Across Diverse Coastal Environments

• arxiv url: http://arxiv.org/abs/2609.10855v1
• Date: Wed, 09 Sep 2026 21:47:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-11 23:53:35.143794
• Title: Evaluation of Vision-Language Models Across Diverse Coastal Environments
• Title（参考訳）: 多様な沿岸環境における視覚・言語モデルの評価
• Abstract要約: 視覚言語モデル(VLM)は、視覚的な観察と自然言語の概念を関連付けることで、知覚のロボットパーセプションを可能にする。 ハワイ州オアフの7つの地域における7つのミッションで収集された1,000枚以上の画像を含む,密度の高いラベル付き沿岸データセットを紹介した。 提案手法は,テキスト・ツー・マスク,マスク・ツー・マスク,マスク・トゥ・テキストアライメントの3つの実験によって評価される。
• 参考スコア（独自算出の注目度）: 4.955327563343563
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language models (VLMs) enable robotic per- ception by associating visual observations with natural-language concepts. Yet their performance in coastal environments remains largely unexplored. We introduce a densely labeled coastal dataset containing more than 1,000 images collected across seven missions in three regions of Oahu, Hawaii, with 18 semantic classes and over 7,400 annotated instances. We evaluate seven modern VLMs through three complementary experiments mea- suring text-to-mask, mask-to-mask, and mask-to-text alignment. Broad landscape classes are generally recognized more accurately than conventional object and coastal classes, with coastal con- cepts presenting the greatest challenge. However, comparisons of shared conventional classes across coastal and terrestrial datasets reveal no consistent performance difference attributable solely to environmental context. Mask-to-mask matching also remains similar across conventional and coastal classes, while alternative textual labels substantially improve recognition of several coastal concepts. These results suggest that lower performance on coastal classes (at least on the objects/query categories evaluated) is heavily influenced by segmentation and linguistic representation.
• Abstract（参考訳）: 視覚言語モデル(VLM)は、視覚的な観察と自然言語の概念を関連付けることで、知覚ごとのロボット操作を可能にする。 しかし、沿岸環境における彼らの業績はほとんど未調査のままである。 ハワイ州オアフの3つの地域の7つのミッションで収集された1,000枚以上の画像と18のセマンティッククラスと7400以上の注釈付きインスタンスを含む、密着したラベル付き沿岸データセットを紹介した。 テキスト・ツー・マスク,マスク・ツー・マスク,マスク・トゥ・テキストアライメントの3つの相補的な実験により,現代のVLMを7つ評価した。 広範囲のランドスケープクラスは、一般的に従来のオブジェクトや海岸クラスよりも正確に認識されており、海岸のコンセプションは最大の課題である。 しかし,沿岸域と陸域のデータセット間で共有される従来のクラスの比較では,環境文脈のみに起因する一貫した性能差は示されていない。 マスクとマスクのマッチングも従来と沿岸のクラスで類似しているが、代替のテキストラベルはいくつかの沿岸の概念の認識を大幅に改善している。 これらの結果から, 沿岸域における低性能(少なくとも対象/クエリカテゴリー)は, セグメンテーションや言語表現の影響が大きいことが示唆された。

関連論文リスト

• Geometric Coastline Localization using Vision-Language Models [4.985181911781127]
  我々はGeoChat-7B/LLaVA-1.5アーキテクチャ上に構築された視覚言語モデル(VLM)を開発した。 このモデルは、密度の高いセグメンテーションマスクではなく、海岸線をポリリンとして直接予測する。 その結果,ジオメトリに基づく測度は,画素オーバーラップの測度よりも海岸線の測位精度を評価するのに適していることが示唆された。
  論文  参考訳（メタデータ） (2026-06-09T06:37:37Z)
• WOW-Seg: A Word-free Open World Segmentation Model [54.80135620139728]
  我々はWOW-Segを提案する。WOW-Segは、オープンセットのカテゴリからオブジェクトをセグメンテーションし、認識するための、ワードフリーのオープンワールドモデルである。 具体的には、WOW-Segは画像マスクを視覚トークンに変換する新しいビジュアルプロンプトモジュールMask2Tokenを導入した。 また、オープンワールド領域認識テストベンチマーク、リージョン認識データセットを構築した。
  論文  参考訳（メタデータ） (2026-05-16T09:28:46Z)
• Exploring the Underwater World Segmentation without Extra Training [55.291219073365546]
  我々は,最初の大規模かつ微細な水中セグメンテーションデータセットである textbfAquaOV255 を紹介する。 トレーニング不要なOVセグメンテーションフレームワークである textbfEarth2Ocean も紹介する。
  論文  参考訳（メタデータ） (2025-11-11T07:22:56Z)
• MARIS: Marine Open-Vocabulary Instance Segmentation with Geometric Enhancement and Semantic Alignment [56.88334234553316]
  我々は,水中オープンボキャブラリ(OV)セグメンテーションのための大規模なベンチマークであるtextbfMARIS (underlineMarine Open-Vocabulary underlineInstance underlineSegmentation)を紹介した。 当社のフレームワークは、既存のOVベースラインであるIn-DomainとCross-Domainの両方を一貫して上回ります。
  論文  参考訳（メタデータ） (2025-10-17T07:50:58Z)
• Neptune-X: Active X-to-Maritime Generation for Universal Maritime Object Detection [54.1960918379255]
  Neptune-Xは、海洋オブジェクト検出のためのデータ中心の生成-選択フレームワークである。 X-to-Maritime(X-to-Maritime)は、多様で現実的な海洋シーンを合成する多モード条件生成モデルである。 提案手法は,海上シーン合成における新しいベンチマークを設定し,検出精度を大幅に向上させる。
  論文  参考訳（メタデータ） (2025-09-25T04:59:02Z)
• Language-Driven Visual Consensus for Zero-Shot Semantic Segmentation [114.72734384299476]
  本稿では,言語駆動型ビジュアルコンセンサス(LDVC)アプローチを提案する。 クラス埋め込みを、その離散的で抽象的な性質からアンカーとして活用し、クラス埋め込みに向けて視覚的特徴を操る。 我々の手法は、目に見えないクラスに対するセグメンテーションモデルの能力を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-03-13T11:23:55Z)
• OSCaR: Object State Captioning and State Change Representation [52.13461424520107]
  本稿では,OSCaR(Object State Captioning and State Change Representation)データセットとベンチマークを紹介する。 OSCaRは14,084の注釈付きビデオセグメントで構成され、様々なエゴセントリックなビデオコレクションから1,000近いユニークなオブジェクトが集められている。 マルチモーダル大言語モデル(MLLM)を評価するための新しいテストベッドを設定する。
  論文  参考訳（メタデータ） (2024-02-27T01:48:19Z)
• EnTri: Ensemble Learning with Tri-level Representations for Explainable Scene Recognition [27.199124692225777]
  ディープラーニングに基づくシーン認識は大きな進歩を遂げているが、その性能にはまだ限界がある。 本稿では,視覚的特徴の階層構造を用いたアンサンブル学習フレームワークであるEnTriを提案する。 EnTriは認識精度の点で優れており、最先端のアプローチと比較して競争性能が向上している。
  論文  参考訳（メタデータ） (2023-07-23T22:11:23Z)
• MassMIND: Massachusetts Maritime INfrared Dataset [3.5751176069022983]
  本稿では,沿岸海洋環境下で得られた2,900以上のLWIR(Long Wave Infrared)セグメント画像のラベル付きデータセットについて述べる。 画像はインスタンスセグメンテーションを使用してラベル付けされ、空、水、障害物、リビング障害物、ブリッジ、自己、背景の7つのカテゴリに分類される。 我々は,このデータセットを3つのディープラーニングアーキテクチャ(UNet,PSPNet,DeepLabv3)にわたって評価し,その有効性について詳細に分析する。
  論文  参考訳（メタデータ） (2022-09-09T02:54:26Z)
• SVIRO: Synthetic Vehicle Interior Rear Seat Occupancy Dataset and Benchmark [11.101588888002045]
  SVIROは10台の異なる車両の旅客室におけるシーンの合成データセットである。 限られたバリエーションに基づいて学習した際の一般化能力と信頼性について、機械学習に基づくアプローチを解析する。
  論文  参考訳（メタデータ） (2020-01-10T14:44:23Z)

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。