Fugu-MT 論文翻訳(概要): SemReward-VL: Semantic Reward-Guided Video-Language Adaptation for Developmental Behavior Assessment

論文の概要: SemReward-VL: Semantic Reward-Guided Video-Language Adaptation for Developmental Behavior Assessment

arxiv url: http://arxiv.org/abs/2609.33082v1
Date: Sun, 27 Sep 2026 01:36:27 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-06 10:44:10.111496
Title: SemReward-VL: Semantic Reward-Guided Video-Language Adaptation for Developmental Behavior Assessment
Title（参考訳）: SemReward-VL:Semantic Reward-Guided Video-Language Adaptation for Developmental Behavior Assessment
Abstract要約: 発達的なスクリーニングビデオは、子供が特定の行動を実行する方法を示しています。本稿では,これらの結果からアイテム固有の行動を記述することを学ぶSemReward-VLについて述べる。
参考スコア（独自算出の注目度）: 8.763354291466998
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Developmental screening videos show how children perform specific behaviors, but clinical records usually contain outcomes rather than descriptions of what happened. We present SemReward-VL, which learns to describe item-specific behavior from these outcomes. A vision-language model generates a description, and a frozen language model scores its agreement with the clinical outcome, relevance to the item, abstention on unrelated video-item pairs, and clarity. Group relative policy optimization (GRPO) updates LoRA adapters using this semantic reward. On 13,379 videos covering 41 items, the method improves aggregate accuracy and the number of items with recall above 0.5. Errors remain in temporal direction, duration, and age-specific interpretations of behavior.
Abstract（参考訳）: 発達的スクリーニングビデオは、子供が特定の行動を行う方法を示しているが、臨床記録は通常、何が起きたかの説明よりも結果を含んでいる。本稿では,これらの結果からアイテム固有の行動を記述することを学ぶSemReward-VLについて述べる。視覚言語モデルは、記述を生成し、凍結言語モデルは、臨床結果、アイテムとの関連性、無関係なビデオイテム対の棄却、明快さとの一致をスコアする。グループ相対ポリシー最適化(GRPO)はこのセマンティック報酬を使用してLoRAアダプタを更新する。 41項目を収録した13,379本のビデオでは, 0.5以上のリコール項目数と集計精度を向上する。エラーは時間的方向、期間、年齢に応じた行動解釈に残る。

関連論文リスト

Act with Intent: Distilling Behavior Intent for Vision-Language-Action Models [15.173629384871013]
VLA(Vision-Language-Action)モデルは、マルチモーダルコンテキストをロボットアクションに変換することができるが、そのアクションデコーダは行動クローニングによって主に訓練されている。 Intention Distillation (INDI) を提案する。
論文参考訳（メタデータ） (2026-08-24T16:42:49Z)
TF-CADE: Foreground-Concentrated Text-Video Alignment for Zero-Shot Temporal Action Detection [54.38725298163703]
ゼロショット時間動作検出器(TF-CADE)のためのテキストフォアグラウンド集中アライメントを提案する。 ACAはアクション集中スコアを抽出し、時間的に情報を与えるビデオセグメントを前景重み付きビデオ埋め込みに集約する。 CCR戦略は、レバー老化前景の類似性により、スニペット当たりの信頼度を改善し、推論中の無関係なアクションクラスを効果的に抑制する。
論文参考訳（メタデータ） (2026-08-18T06:43:45Z)
Action- and Language-Conditioned Video Assessment for Embodied Control [25.788621525752006]
自然言語命令を実行する視覚ベースの実施エージェントは、完全な軌道上のタスク進捗を評価するフィードバックメカニズムを必要とする。本稿では、視覚的観察、実行されたアクションシーケンス、および自然言語命令に基づいて評価を行う軌道評価器であるALVA(Action- and Language-Conditioned Video Assessment)を提案する。シミュレーションされた3D世帯環境において、ALVAは、ほぼゼロの偽陽性率で保守的な評価パターンを示す。
論文参考訳（メタデータ） (2026-08-08T18:05:21Z)
LATERN: Test-Time Context-Aware Explainable Video Anomaly Detection [7.614138458711612]
視覚言語モデル(VLM)は、ビデオ異常検出(VAD)のための有望なパラダイムとして登場した。本稿では,トークンの制約や理性から独立してセグメントレベルの推論を行うパイプラインの鍵となる制限に,時間的コンテキストを構造化せずに対処することを目的とする。本稿では,VADを時間的証拠収集プロセスとして再構成したLATERNというコンテキスト認識フレームワークを提案する。
論文参考訳（メタデータ） (2026-05-14T16:48:03Z)
CounterVid: Counterfactual Video Generation for Mitigating Action and Temporal Hallucinations in Video-Language Models [66.56549019393042]
ビデオ言語モデル(VLM)は、強いマルチモーダル理解を実現するが、特に行動や時間秩序を推論する場合、幻覚を起こす傾向にある。本稿では,シーンコンテキストを保ちながら,アクションや時間構造が異なる映像を合成する,対物映像生成のためのスケーラブルなフレームワークを提案する。
論文参考訳（メタデータ） (2026-01-08T10:03:07Z)
Seeing to Act, Prompting to Specify: A Bayesian Factorization of Vision Language Action Policy [59.44168425139687]
BayesVLA(ベイズVLA)は、前もってポリシーを視覚的アクションに分解し、ルック・トゥ・アクティベーションと言語条件付き可能性をサポートし、即時特定を可能にするベイズ因子化である。実験は、既存の方法と比較して、目に見えない命令、オブジェクト、環境に対して優れた一般化を示す。
論文参考訳（メタデータ） (2025-12-12T01:59:23Z)
Enhancing Spatio-Temporal Zero-shot Action Recognition with Language-driven Description Attributes [54.50887214639301]
提案手法は,大規模言語モデルを用いて関連キーワードを抽出し,Webcrawled 記述を活用する革新的な手法である。この方法は、人間のアノテーションの必要性を減らし、属性データ作成の面倒な手作業を取り除く。ゼロショット実験では,UCF-101,HMDB-51,Kineetics-600で81.0%,53.1%,68.9%の精度を達成した。
論文参考訳（メタデータ） (2025-10-31T07:45:44Z)
LIBERO-PRO: Towards Robust and Fair Evaluation of Vision-Language-Action Models Beyond Memorization [33.562814882942]
LIBEROはVision-Language-Action (VLA)モデルを評価するための広く採用されているベンチマークとして登場した。本稿では,モデル性能を合理的な摂動下で体系的に評価する拡張LIBEROベンチマークであるLIBERO-PROを紹介する。実験の結果,既存のモデルでは標準LIBERO評価では90%以上の精度が得られたが,一般設定では0.0%に低下した。
論文参考訳（メタデータ） (2025-10-04T14:56:40Z)
Structured Video-Language Modeling with Temporal Grouping and Spatial Grounding [112.3913646778859]
簡単なビデオ言語モデリングフレームワークであるS-ViLMを提案する。これには、学習領域オブジェクトのアライメントと時間認識機能を促進するために、クリップ間の空間的接地と、クリップ内の時間的グループ化という、2つの新しい設計が含まれている。 S-ViLMは4つの下流タスクにおいて、最先端の手法を大幅に超えている。
論文参考訳（メタデータ） (2023-03-28T22:45:07Z)
Video Moment Localization using Object Evidence and Reverse Captioning [1.1549572298362785]
未編集ビデオにおけるモーメントの時間的局所化の言語による問題に対処する。現在の最先端モデルMACは、ビデオと言語の両方のモダリティから活動概念をマイニングすることでこの問題に対処している。本稿では,MACモデルの拡張であるMulti-faceted VideoMoment Localizer (MML)を提案する。
論文参考訳（メタデータ） (2020-06-18T03:45:49Z)

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。