論文の概要: Can VLMs Reliably Assess Sidewalk Accessibility Attributes from Pedestrian-Level Imagery?

• arxiv url: http://arxiv.org/abs/2609.17882v1
• Date: Tue, 15 Sep 2026 22:15:04 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-20 08:55:53.552695
• Title: Can VLMs Reliably Assess Sidewalk Accessibility Attributes from Pedestrian-Level Imagery?
• Title（参考訳）: VLMは歩行者レベルの画像からSidewalkアクセシビリティの属性を確実に評価できるか?
• Abstract要約: 歩行者レベルの画像から, 有効幅, 縦傾斜, 横傾斜, 舗装条件を確実に評価できるかどうかを検証した。 韓国ソウルの歩道画像514面の4つの視覚言語モデルを実測地真実を用いて評価した。
• 参考スコア（独自算出の注目度）: 2.59137854132916
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: An important component of urban accessibility, particularly for wheelchair users and people with reduced mobility, is sidewalk compliance with measurable requirements. We test whether effective width, longitudinal slope, cross slope, and pavement condition can be assessed reliably from pedestrian-level imagery using vision-language models (VLMs). We present the first application of sampling-based conformal prediction (CP) for VLM-based accessibility assessment. We evaluate four VLMs on 514 sidewalk images from Seoul, South Korea, with field-measured ground truth. Conformal calibration attains the nominal 90% coverage for all models and attributes, but the calibrated regions differ in informativeness. Effective width yields the most informative estimates, with a mean interval half-width of about 1.0 m for the best model. Since every model overestimates width, asymmetric calibration shortens the intervals by up to 33% at unchanged coverage. Longitudinal slope is marginally informative, cross-slope intervals are too wide to resolve regulatory thresholds, and pavement-condition sets degenerate to all five grades (A-E) for three of the four models. Uncalibrated intervals from raw sampling dispersion cover only 17-47% of field-measured values at a nominal 90% level. Among the images with the most self-consistent responses, these intervals miss the field-measured value in up to 96% of cases. Response self-consistency is therefore not evidence of accuracy, and sampling dispersion cannot be interpreted as uncertainty until it has been calibrated against field-measured ground truth. No quantitative attribute reaches the precision required for general compliance assessment, but CP identifies from calibration data alone which attributes can support screening of segments far from the thresholds. We release the annotated pedestrian-level images and their corresponding field-measured attribute values.
• Abstract（参考訳）: 都市におけるアクセシビリティの重要な構成要素は、特に車椅子利用者やモビリティの低下した人々にとって、計測可能な要件を満たす歩道コンプライアンスである。 視覚言語モデル (VLM) を用いて歩行者レベルの画像から, 有効幅, 縦傾斜, 横傾斜, 舗装条件を確実に評価できるかどうかを検証した。 VLMを用いたアクセシビリティ評価のためのサンプリングベース共形予測(CP)の最初の応用について述べる。 韓国ソウルの歩道画像514面の4つのVLMを実測地真実を用いて評価した。 コンフォーマルキャリブレーションは、すべてのモデルと属性に対して、名目上の90%のカバレッジを達成するが、キャリブレーションされた領域は情報性が異なる。 有効幅は最も有意義な推定値となり、平均間隔半幅は約1.0mである。 全てのモデルが幅を過大評価するため、非対称なキャリブレーションは、一定範囲で間隔を最大33%短縮する。 縦傾斜は極端に有意であり、横傾斜間隔は規制のしきい値を解決するには広すぎ、舗装条件は4つのモデルのうち3つのモデルで5つのグレード(A-E)全てに縮退する。 原試料散布の未校正間隔は, 実測値の17～47%を名目90%程度で占めるのみであった。 最も自己整合性が高い画像のうち、これらの間隔は、最大96%のケースにおいて、フィールド測定値を見落としている。 したがって、応答自己整合性は正確さの証拠ではなく、サンプリング分散は、被検地真実に対して校正されるまで不確実性として解釈できない。 一般的なコンプライアンスアセスメントに必要な精度に達する量的属性は存在しないが、CPはキャリブレーションデータのみから、しきい値から遠く離れたセグメントのスクリーニングをサポートする属性を識別する。 我々は,アノテートされた歩行者レベルの画像とそれに対応するフィールド計測属性値をリリースする。

関連論文リスト

• Beyond Accuracy: Auditing Spatial Provenance in Visual Token Pruning for OCR-Critical MLLM Inference [22.335515110971475]
  ビジュアルトーケンプルーニングは、一定保持予算における応答品質によって判断される。 私たちはこの盲点を、幾何学的トークン・オリジンの証明によってカップルが行動に答えるエビデンスリスク監査にします。 目的検証ポイントがタスク汎用圧縮を含まないことを示す。
  論文  参考訳（メタデータ） (2026-07-29T13:45:31Z)
• Beyond Localization: A Comprehensive Diagnosis of Perspective-Conditioned Spatial Reasoning in MLLMs from Omnidirectional Images [52.50752250573993]
  MLLM(Multimodal Large Language Models)は、視覚的知覚が強いが、視点の変化による空間の推論には限界がある。 本研究では、この課題を全方位360度画像におけるパースペクティブ・コンディションド・スペース・推論(PCSR)として検討する。 我々は2,600全方位画像から84,373組の質問応答対の診断ベンチマークであるPCSR-Benchを紹介する。
  論文  参考訳（メタデータ） (2026-05-12T17:11:17Z)
• Adaptive Geodesic Conformal Prediction for Egocentric Camera Pose Estimation [15.199350753007339]
  標準共形予測(CP)は、最も難しい25%のフレーム(Q4)を60%しかカバーしていないが、名目上90%の全体カバレッジを実現している。 そこで我々は,DINOv2-Bridge適応CPを提案する。DINOv2-Bridge適応CPは,テスト時にイメージを使わずに参加者間を移動させる,単一のソース参加者に訓練された2段階の難易度推定器である。
  論文  参考訳（メタデータ） (2026-04-30T21:09:55Z)
• Online Reasoning Calibration: Test-Time Training Enables Generalizable Conformal LLM Reasoning [18.69627681731888]
  オンライン推論校正(英語: Online Reasoning calibration、ORCA)は、整合予測とテストタイムトレーニングに基づいてサンプリングプロセスを校正するフレームワークである。 リスクレベルの$=0.1$で、ORCAはQwen2.5-32B効率を改善し、47.5%、監督ラベル40.7%、自己整合ラベル40.7%を節約する。
  論文  参考訳（メタデータ） (2026-04-01T17:21:50Z)
• Causal Judge Evaluation: Calibrated Surrogate Metrics for LLM Systems [0.29465623430708904]
  未校正スコアは選好を逆転させることができ、未校正スコアに対するナイーブな信頼区間は、ほぼ0%のカバレッジを獲得し、重要度重み付け推定器は、限られた重複の下で崩壊する。 3つの障害を全て解決するフレームワークであるCausal Judge Evaluationを紹介します。
  論文  参考訳（メタデータ） (2025-12-11T22:16:24Z)
• CLUE: Non-parametric Verification from Experience via Hidden-State Clustering [64.50919789875233]
  隠れアクティベーションの軌跡内の幾何的に分離可能なシグネチャとして解の正しさが符号化されていることを示す。 ClUE は LLM-as-a-judge ベースラインを一貫して上回り、候補者の再選において近代的な信頼に基づく手法に適合または超えている。
  論文  参考訳（メタデータ） (2025-10-02T02:14:33Z)
• Improving Visual Grounding by Encouraging Consistent Gradient-based Explanations [58.442103936918805]
  注意マスク整合性は,従来の方法よりも優れた視覚的グラウンドリング結果が得られることを示す。 AMCは効率的で実装が容易であり、どんな視覚言語モデルでも採用できるため一般的である。
  論文  参考訳（メタデータ） (2022-06-30T17:55:12Z)
• Privacy Preserving Recalibration under Domain Shift [119.21243107946555]
  本稿では,差分プライバシー制約下での校正問題の性質を抽象化する枠組みを提案する。 また、新しいリカレーションアルゴリズム、精度温度スケーリングを設計し、プライベートデータセットの事前処理より優れています。
  論文  参考訳（メタデータ） (2020-08-21T18:43:37Z)

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。