論文の概要: When Does Geometric View Synthesis Help Wine Label Retrieval? A Public One-Shot Benchmark Across Self-Supervised and Vision-Language Backbones
- arxiv url: http://arxiv.org/abs/2609.33359v1
- Date: Sun, 27 Sep 2026 08:31:19 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 00:42:27.558848
- Title: When Does Geometric View Synthesis Help Wine Label Retrieval? A Public One-Shot Benchmark Across Self-Supervised and Vision-Language Backbones
- Title（参考訳）: 幾何学的ビュー合成はワインのラベル検索に役立つか? 自己監督型と視覚ランゲージ型のバックボーン間の公開ワンショットベンチマーク
- Abstract要約: 幾何学的ビュー合成は、単一のワインラベル写真をトレーニングセットに拡張することができるが、事前訓練された画像エンコーダでの価値は不明確である。
そこで本研究では,1000クラスのWineSensedをベースとした公開ベンチマーク,1クラスあたりの登録写真,4,295のリアルタイムクエリについて検討する。
初期のDINO視覚変換器(ViT-S/16)のレシピでは、幾何学的ビューはトップ-1の精度を34.1%から62.6-63.7%に上げ、2次元(2D)拡張の3倍に向上した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Geometric view synthesis can expand a single wine-label photograph into a training set, but its value with pretrained image encoders is unclear. We study this on a public WineSensed-derived benchmark of 1,000 classes, one enrollment photograph per class, and 4,295 real queries. With the earlier DINO vision transformer (ViT-S/16) recipe, geometric views raise top-1 accuracy from 34.1% to 62.6-63.7%, about three times the gain from two-dimensional (2D) augmentation. Frozen SigLIP 2-B already reaches 94.7%. A linear head over its frozen features gains 1.2-1.3 percentage points with the two geometric pipelines localized by the Segment Anything Model (SAM), while the other pipelines gain an inconclusive 0.3-0.6 points. Low-rank adaptation (LoRA) and validation-selected full fine-tuning show no clear gain within the reported confidence intervals; fixed-budget full fine-tuning loses 9-24 points. SAM localization supplies all six views for 99% of sources, compared with 43% for the edge-based front end. Recognition differences between the two cylinder constructions depend on the training recipe and are confounded by their crop and canvas conventions. Rendered-cylinder tests show different responses to source tilt, but an uncalibrated rim-ratio proxy establishes no corresponding trend in recognition on real photographs. An author-confirmed audit of 50 residual errors identifies 21 query-enrollment appearance mismatches, without establishing an irreducible error rate. These results support geometric synthesis for the tested self-supervised recipe and a smaller benefit through frozen-feature adaptation of the text-supervised encoder.
- Abstract（参考訳）: 幾何学的ビュー合成は、単一のワインラベル写真をトレーニングセットに拡張することができるが、事前訓練された画像エンコーダでの価値は不明確である。
そこで本研究では,1000クラスのWineSensedをベースとした公開ベンチマーク,1クラスあたりの登録写真,4,295のリアルタイムクエリについて検討する。
初期のDINO視覚変換器(ViT-S/16)のレシピでは、幾何学的ビューはトップ-1の精度を34.1%から62.6-63.7%に上げ、2次元(2D)拡張の3倍に向上した。
冷凍SigLIP 2-Bは94.7%に達する。
凍結した特徴に対する線形ヘッドは1.2-1.3ポイントを獲得し、2つの幾何学的パイプラインはSAM(Segment Anything Model)によって局所化され、他のパイプラインは0.3-0.6ポイントを得る。
低ランク適応(LoRA)とバリデーション選択フル微調整は、報告された信頼区間内で明確な利得を示さず、固定予算フル微調整は9-24ポイントを失う。
SAMローカライゼーションは、エッジベースのフロントエンドの43%に対して、ソースの99%で6つのビューを提供する。
2つのシリンダー構造間の認識の違いは、トレーニングレシピに依存しており、作物やキャンバスの慣習によって構成されている。
Rendered-Cylinder testは、ソース傾きに対する異なる応答を示すが、非校正されたリム比のプロキシは、実際の写真に対する認識において、対応する傾向を確立しない。
著者確認による50の残差の残差監査では、既約エラー率を確立することなく、21のクエリエンクルーメントの外観ミスマッチを識別する。
これらの結果は、テストされた自己教師付きレシピの幾何学的合成と、テキスト教師付きエンコーダの凍結機能適応によるより小さな利益をサポートする。
関連論文リスト
- Solution for UCF UrbanTwin LUMPI Track: Sim-to-Real Urban LiDAR 3D Object Detection [54.03436243843709]
UCF UrbanTwin Sim2Real LiDAR Challenge at the 6th DriveX Workshop, ECCV 2026。
検出器は合成データのみに基づいて訓練され、50個の実LiDARフレームで評価される。
ポイントクラウドリアリズムに対して、別の50フレームの合成提案が評価される。
論文 参考訳（メタデータ） (2026-09-07T15:03:36Z) - Real Data Closes Synthetic-to-Real Gap in Optical Chemical Structure Recognition [7.493576538485066]
OCSRは合成画像ではほとんど解決されていないが、実際の文書では難しい。
21の認識者は、合成された構造の混合物を微調整し、特許、雑誌、手描きのコレクションから実際の描写をラベル付けした。
論文 参考訳（メタデータ） (2026-08-10T04:01:53Z) - Synthetic and Derived Training Images for Campus Waste Detection: A Multi-Seed Evaluation with YOLOv8n [0.0]
ビンマウントカメラは、アイテムが捨てられたときにフィードバックを提供することができる。
合成画像と導出画像がYOLOv8n検出器を改良するかどうかを検討した。
論文 参考訳（メタデータ） (2026-07-21T19:30:57Z) - Efficient Visual Pointing for Embodied AI:Agent-Driven Data Synthesis, Cross-Block Attention, and Iterative Correction [55.11480729304395]
PointArena 2026は77.2%の精度でベンチマークで2位である。
ap proachは3つの障害モードをターゲットにしている。第一に、エージェント駆動のシンセシスは大きなセマンティクスとアンカー相対的な候補プールを構築する。
次に、determinis tic steerable-dataパイプラインは、認証された10,000サンプルのメインセットと、マスク、テンプレート、パス検証を使用するリザーブサンプルを生成する。
論文 参考訳（メタデータ） (2026-06-29T06:39:03Z) - Amplifying, Not Learning: Fine-Tuned AI Text Detectors Amplify a Pretrained Direction [51.56484100374058]
テキスト検出器は、事前訓練された典型軸を増幅する。
タスク監督前の生エンコーダでは、3つのアーキテクチャでNYT-vs-HC3 AUROC 0.806/0.944/0.834を達成する。
RoBERTaベースでは、生のプロジェクションは微調整を超えるが、RoBERTaベースでは、フル微調整は、試験された流線型人口の双方で生よりも識別を小さくする。
論文 参考訳（メタデータ） (2026-05-20T19:08:38Z) - Distributional Energy-Based Models for Uncertainty-Aware Structured LLM Reasoning [40.342912574072024]
大規模言語モデルは、旅行計画やコードソリューションのような構造化されたアウトプットを生成する。
個々の推論ステップは正しく見えるが、アウトプット全体が予算に違反したり、テストケースに失敗したり、あるいは以前の推論に矛盾することがある。
構造化LCM出力の検証のための決定論的解析制約付き学習品質スコアラを提案する。
論文 参考訳（メタデータ） (2026-05-15T17:08:27Z) - Paired-CSLiDAR: Height-Stratified Registration for Cross-Source Aerial-Ground LiDAR Pose Refinement [46.13526676100776]
Paired-CSLiDAR(英語版)は、シングルスキャンポーズリファインメントのためのクロスソース空地LiDARベンチマークである。
このベンチマークには6つの評価サイトで12,683組の地上空対が含まれている。
本稿では,RGSR(Residual-Guided Stratified Registration)を提案する。
論文 参考訳（メタデータ） (2026-05-01T13:14:20Z) - Medical thinking with multiple images [44.04557445622649]
我々はMedThinkVQAを紹介した。MedThinkVQAは、複数の画像で考えるためのエキスパートアノテーション付きベンチマークである。
データセットは720のテストケースを含む8,067ケースを含み、1ケースあたり平均6.62イメージである。
テストセットでは、最高のクローズドソースモデルであるClaude-4.6-Opus、Gemini-3-Pro、GPT-5.2-xhighは57.2%、55.3%、54.9%の精度しか達成できなかった。
論文 参考訳（メタデータ） (2026-04-14T18:51:07Z) - Do Foundation Models Know Geometry? Probing Frozen Features for Continuous Physical Measurement [0.0]
視覚言語モデルは、それらのテキスト経路が表現できないような幾何学を符号化する。
ロラ微調整(r=16, 2,000枚)は、このギャップを6.5度に縮める。
これらの知見は、単一の凍結したバックボーンがマルチタスク幾何学的センサーとして機能することを可能にした。
論文 参考訳（メタデータ） (2026-03-06T16:48:27Z)
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。