論文の概要: Beyond Balanced Accuracy: A Resolution and Parity-Controlled Benchmark for Vision-Language and Vision-Only Defect Assessment in UAV Power-Line Inspection

• arxiv url: http://arxiv.org/abs/2609.27457v1
• Date: Wed, 23 Sep 2026 07:23:58 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-25 00:05:17.930283
• Title: Beyond Balanced Accuracy: A Resolution and Parity-Controlled Benchmark for Vision-Language and Vision-Only Defect Assessment in UAV Power-Line Inspection
• Title（参考訳）: バランス精度を超えて:UAVパワーライン検査におけるビジョンランゲージとビジョンオンリー欠陥評価のための解像度とパリティ制御ベンチマーク
• Abstract要約: 視覚言語モデル(VLM)は、UAVパワーライン欠陥評価においてタスク固有の視覚バックボーンよりも優れていると報告されることが多い。 この主張は、パブリックなInsPLADデータセットから派生した56,972itemのベンチマークであるElecVQA-Benchで検証する。
• 参考スコア（独自算出の注目度）: 1.5632754424046598
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Vision-language models (VLMs) are often reported to outperform task-specific vision backbones for unmanned aerial vehicle (UAV) power-line defect assessment. We test that claim on ElecVQA-Bench, a 56,972-item benchmark derived from the public InsPLAD dataset, across six evaluation choices: partition, evaluated item set, label space, replication, input resolution, and side information. On a matched partition, a Swin Transformer and the strongest adapted VLM differ by only 0.03 points at binary screening. At seven-way defect typing, increasing the vision backbones from 224 px to the measured pixel budget of the VLM preprocessor narrows the gap against InternVL3.5-8B from +20.53 to -0.57 points for ResNet-50 and from +23.67 to +4.70 points for Swin-T. A pixel-budget audit shifts Qwen3-VL-8B macro recall by 10.78 points, yet a source-pixel-matched InternVL control still leaves Qwen ahead by 7.43 to 13.61 points while using 56% fewer visual tokens, so neither source pixels nor token budget explains the difference between the two VLMs. A two-seed global replication changes Qwen binary accuracy and seven-way macro recall by 0.86 and 1.02 points. After split-specific retraining, Qwen does not lead at crop or image level, and a 14-tower, three-seed replication reverses the sign across seeds, giving mean common-six macro recall of 0.9085 for Qwen against 0.9509 for ResNet-50. No split regime yields a family-level advantage that survives multiple-comparison correction. The study supports a benchmark-audit contribution rather than a general claim of VLM superiority.
• Abstract（参考訳）: 視覚言語モデル(VLM)は、無人航空機(UAV)のパワーライン欠陥評価において、タスク固有の視覚バックボーンよりも優れていると報告されることが多い。 この主張は、パブリックなInsPLADデータセットから派生した56,972itemのベンチマークであるElecVQA-Benchで、パーティション、評価項目セット、ラベル空間、レプリケーション、入力解像度、サイド情報という6つの評価選択肢で検証されている。 一致したパーティションでは、スウィントランスフォーマーと最強適応型VLMがバイナリスクリーニングでわずか0.03ポイントしか異なる。 7方向の欠陥タイピングでは、ビジョンバックボーンを224pxからVLMプリプロセッサのピクセル予算に増やすことで、InternVL3.5-8Bに対するギャップをResNet-50の+20.53から-0.57ポイント、Swin-Tの+23.67から+4.70ポイントに狭める。 画素予算監査は、Qwen3-VL-8Bマクロリコールを10.78ポイントシフトさせるが、ソースにマッチしたInternVLコントロールは、Qwenを7.43から13.61ポイント前倒ししし、56%のビジュアルトークンを使用する。 2列のグローバルレプリケーションは、Qwenバイナリの精度と7方向マクロリコールを0.86と1.02ポイント変更する。 分裂特異的な再訓練の後、Qwenは作物や画像レベルではリードせず、14towerの3シードの複製は種子間で符号を反転させ、Qwenの0.9085とResNet-50の0.9509に対して平均的な6つのマクロリコールを与える。 分割された体制では、多重比較補正に耐える家族レベルの優位性は得られない。 この研究は、VLMの優位性の一般的な主張よりも、ベンチマーク監査の貢献を支持する。

関連論文リスト

• Detection is solved, delineation is not: what governs tooth segmentation on panoramic radiographs [0.3262230127283452]
  本研究は,42,142個の歯科用ポリゴンを含む1,422個のパノラマX線撮影装置を組み立てた。 入力解像度、アーキテクチャ、解剖学的事前を単一の評価プロトコルで分離するために使用する。
  論文  参考訳（メタデータ） (2026-09-18T11:08:02Z)
• Visual Grounding in Zero-Shot Vision-Language Control [0.0]
  視覚言語モデル(VLM)は、ゼロショットコントローラとしてますます使われているが、成功した軌道は、必ずしも決定が視覚入力に基礎を置いていることを示さない。 我々はこれを、ブラインドイメージ制御、繰り返し同じ入力、車線軸反射、非視覚ベースライン、パイプライン積分チェックといった入力アブレーション電池を用いて検討する。 実験では,9つの直接動作モデル,6つの局所的VLM,探索的VLM-MPC階層に対して,2つの実施形態と3つのシミュレータに対する32,874の呼び出しを解析した。
  論文  参考訳（メタデータ） (2026-08-06T15:21:42Z)
• 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)
• Do Medical Vision Language Models Actually See? A Counterfactual Grounding Framework and Hard-Negative Contrastive Training for Visually-Reliant Medical VLMs [6.775973739193119]
  大規模視覚言語モデル(VLM)は、医学的質問に対する回答に強い精度を報告しているが、それらが視覚的エビデンスから引き起こされたのか、あるいはテキストによるショートカットを悪用したのかは定かではない。 本稿では,視覚的およびテキスト的コントリビューションを,制御されたサロゲート,ピクセルシャッフル,イメージアプサント,CLIP検索したハード負の入力画像に置換することで分離する,対物的評価フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-07-04T00:06:35Z)
• 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)
• CARE What Fails: Contrastive Anchored-REflection for Verifiable Multimodal [84.71254539482369]
  検証可能な報酬を伴うグループ相対的強化学習(RLVR)は、しばしば、すでに失敗している最も情報に富むデータを浪費する。 エラーを監督するマルチモーダル推論のための,障害中心のポストトレーニングフレームワークであるCAREを提案する。 CAREは正確さを改善し、スムーズさをトレーニングすると同時に、障害からの学習信号のシェアを明示的に増やします。
  論文  参考訳（メタデータ） (2025-12-22T16:34:21Z)
• 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)

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。