論文の概要: CrowdCue: Specialist-Cue Conditioning for Vision-Language Crowd Counting
- arxiv url: http://arxiv.org/abs/2609.23012v1
- Date: Sat, 19 Sep 2026 13:19:23 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-22 20:29:00.647994
- Title: CrowdCue: Specialist-Cue Conditioning for Vision-Language Crowd Counting
- Title（参考訳）: CrowdCue:Vision-Language Crowd Countingのためのスペシャリストキューコンディショニング
- Abstract要約: 生成視覚言語モデル(VLM)は、1つのモデルがそのシーンのカウントと自然言語の両方を生成できるカウントパラダイムを提供する。
Qwen2.5-VL-7Bを4つの広く利用されている群集カウントベンチマークで評価した。
我々は、同じ専門家の整数数を離散シンボルとしてVLMに供給する家族であるCrowdCueを提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Generative vision-language models (VLMs) offer a counting paradigm in which one model produces both a count and a natural-language account of the scene, yet their raw counting accuracy sits in the range of sub-million-parameter specialist regressors. The open question is whether auxiliary guidance from a pretrained specialist can lift them into useful territory, and through which channel that guidance is best routed. We evaluate Qwen2.5-VL-7B on four widely used crowd counting benchmarks (ShanghaiTech A and B, UCF-QNRF, NWPU-Crowd). Zero-shot prompting rarely produces a parseable count, so LoRA supervised fine-tuning establishes the baseline at overall MAE 81.64. Conditioning on a P2PNet-derived density heatmap as an auxiliary visual signal fails in every encoding we tested, and an adversarial-swap protocol shows the model reads the heatmap but applies it counterproductively. We propose CrowdCue, a family that supplies the same specialist's already-integrated integer count to the VLM as a discrete symbol. The text-channel variant reaches MAE 72.04. The visual-channel variant, which renders the integer as printed digits and supplies it as a second image, reaches MAE 62.65, the strongest result in this paper and well ahead of the cue-supplying specialist alone (84.45 on the same split). In the late-fusion VLM we study, the binding constraint is not the channel but the abstraction level at which the specialist signal is delivered.
- Abstract（参考訳）: 生成視覚言語モデル(VLM)は、1つのモデルがシーンのカウントと自然言語の両方を生成できるカウントパラダイムを提供する。
オープンな疑問は、事前訓練を受けた専門家からの補助的な指導が役に立つ領域に引き上げられるかどうか、そしてどの経路でその指導が最善かである。
また,Qwen2.5-VL-7Bを,上海技術A,B,UCF-QNRF,NWPU-Crowdの4つで評価した。
ゼロショットプロンプトはパース可能なカウントをほとんど生成しないため、LORAが微調整を監督し、全体的なMAE 81.64でベースラインを確立する。
P2PNet由来の密度ヒートマップを補助視覚信号として条件付けすることは、テスト対象のエンコーディング毎に失敗し、逆スワッププロトコルは、モデルがヒートマップを読み取るが、非生産的に適用することを示す。
我々は、同じ専門家の整数数を離散シンボルとしてVLMに供給するCrowdCueを提案する。
テキストチャネルの変種は MAE 72.04 に達する。
整数を印刷された桁として描画し、第2の画像として供給するビジュアルチャネル変種は、この論文で最強の結果であるMAE 62.65に到達し、キュー供給スペシャリスト(同じ分割で84.45)よりもはるかに先行する。
遅延融合VLMでは、結合制約はチャネルではなく、専門信号が配信される抽象化レベルである。
関連論文リスト
- QCPruner: Query-Conditioned Population Coverage for Visual Token Pruning [3.9319330948961713]
QCPrunerを導入し、二元的ユーティリティ重み付けにより、視覚的ターゲットと候補代表の両方を問合せ条件にします。
QCPrunerは、報告されたトークン予算毎に評価された全システムプルーニング手法の中で、最も高い平均相対性能を達成する。
論文 参考訳（メタデータ） (2026-09-17T09:58:16Z) - VISTA: Dense Multi-Label Classroom Coding with Vision-Language Models [0.0]
信頼性を確保するための戦略にすでに投資している研究コミュニティの手法によるマルチモーダルベンチマークの利点を論じる。
我々はCOPUSをマルチモーダル・ファンデーション・モデルのためのビデオ・ベンチマークとして再放送する。
そこで本研究では,MiniCPM-V-4.5を高密度なスライディングウインドウ上で動作させるベースラインであるVISTAを提案する。
論文 参考訳（メタデータ） (2026-09-03T23:13:56Z) - When Prompts Become Pixels: Prompt-Region Grounding for Multimodal Reasoning [73.56343820592399]
本稿では,視覚的タスクセマンティックス(VTS, Visualized Task Semantics)について紹介する。
6つのMLLMと4つのベンチマークで、24のモデルとタスクのペアの精度は平均17.8ポイント低下した。
本稿では,質問領域を型付きセマンティクスと整合させ,そのクリーンな表現をマスクビューから復元するプロンプト領域グラウンドを提案する。
論文 参考訳（メタデータ） (2026-08-05T11:46:15Z) - Constrained Decoding for Diffusion Language Models via Efficient Inference over Finite Automata [57.27430779838529]
有限オートマトンとして表現可能な任意の制約の下で,制約付き平均場後部からサンプリングする,正確かつトラクタブルなアルゴリズムを提案する。
このアプローチは、構築による制約満足度を保証し、欲求とサンプリングベースのデコーディングの両方をサポートし、並列およびブロックワイドデコーディングと互換性がある。
Dream-7B と LLaDA-8 の実証的な評価は、様々なタスクにおいてかなりの精度の向上を示した。
論文 参考訳（メタデータ） (2026-07-08T05:48:57Z) - Breaking Modality Heterogeneity in Low-Bit Quantization for Large Vision-Language Models [36.14224700486847]
低ビット後量子化(PTQ)は、リソース制約されたデバイスにビジョンランゲージモデル(VLM)をデプロイするための重要な技術である。
既存のPTQ法は、量子化中のテキストと視覚の非均一な活性化分布のために、VLMの精度を劣化させることが多い。
チャネル分割駆動のポストトレーニング量子化フレームワークであるSplitQを提案する。
論文 参考訳（メタデータ） (2026-05-19T14:49:57Z) - HybridToken-VLM: Hybrid Token Compression for Vision-Language Models [24.940043922782944]
視覚言語モデル(VLM)はマルチモーダル推論を変換している。
連続圧縮は、オブジェクトのアイデンティティのような高レベルなセマンティクスを希薄にする。
セマンティクスと外観を二重チャネルで切り離すハイブリッドフレームワークであるHTC-VLMを紹介する。
論文 参考訳（メタデータ） (2025-12-09T04:48:38Z) - Rethinking Facial Expression Recognition in the Era of Multimodal Large Language Models: Benchmark, Datasets, and Beyond [116.65158801881984]
MLLMの表情推論能力の向上を目的とした後学習戦略を提案する。
We developed a unified and interpretable FER foundation model called UniFER-7B。
論文 参考訳（メタデータ） (2025-11-01T03:53:00Z) - MM-Vet v2: A Challenging Benchmark to Evaluate Large Multimodal Models for Integrated Capabilities [146.4724093405187]
MM-Vet v2は、"image-text sequence understanding"と呼ばれる新しい"image-text sequence understanding"機能を含んでいる。
MM-Vet v2を用いて大規模マルチモーダルモデルのベンチマークを行った結果,Claude 3.5 Sonnetはスコア71.8の最良のモデルであり,スコア71.0のGPT-4oより若干優れていた。
論文 参考訳（メタデータ） (2024-08-01T17:59:54Z) - How Easy is It to Fool Your Multimodal LLMs? An Empirical Analysis on Deceptive Prompts [54.07541591018305]
提案するMAD-Benchは,既存のオブジェクト,オブジェクト数,空間関係などの5つのカテゴリに分割した1000の試験サンプルを含むベンチマークである。
我々は,GPT-4v,Reka,Gemini-Proから,LLaVA-NeXTやMiniCPM-Llama3といったオープンソースモデルに至るまで,一般的なMLLMを包括的に分析する。
GPT-4oはMAD-Bench上で82.82%の精度を達成するが、実験中の他のモデルの精度は9%から50%である。
論文 参考訳（メタデータ） (2024-02-20T18:31:27Z) - Completely Self-Supervised Crowd Counting via Distribution Matching [92.09218454377395]
我々は,密集した群集数に対するトレーニングモデルに対する完全な自己超越的アプローチを提案する。
トレーニングに必要な入力は、大量の未ラベルの群衆画像以外は、群衆数に近似した上限である。
提案手法は,自然群集が逆伝播の誤り信号を生成するために利用可能な電力法分布に従うという考え方に富む。
論文 参考訳（メタデータ） (2020-09-14T13:20:12Z)
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。