論文の概要: A Visual Classification Dataset and Model Evaluation for Historical Manuscript Illustrations

• arxiv url: http://arxiv.org/abs/2609.33449v1
• Date: Sun, 27 Sep 2026 10:59:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-05 16:41:43.484273
• Title: A Visual Classification Dataset and Model Evaluation for Historical Manuscript Illustrations
• Title（参考訳）: 歴史的手稿図面の視覚的分類データセットとモデル評価
• Abstract要約: 22のカテゴリにまたがって何百年も遡る原稿から15,000のイラストを手作業でラベル付けしたデータセットを紹介します。 この課題に対して,画像分類のための最新の視覚モデルを評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Historical manuscript illustrations preserve rich visual evidence of past cultures. They depict people, animals, plants, diagrams, music notations, and decorative forms. Although large digitization projects have made many manuscripts available online, the material itself remains difficult to explore at scale. Extraction systems can find illustrations on manuscript pages, but without meaningful categories, large collections remain hard to search and explore. We address this gap by introducing a manually labeled dataset of 15,000 illustrations from manuscripts dating back hundreds of years across 22 categories, and evaluating modern vision models for image classification on this task. The problem is challenging due to stylistic diversity, degradation, and semantic ambiguity, with many images that fit more than one category. We compare fine-tuned CNN and Transformer-based classifiers, zero-shot CLIP, embedding-based classifiers, and direct vision-language models. Results show that fine-tuned image classifiers perform best overall, with ConvNeXt reaching 88.9% accuracy and 81.3% macro-F1. Using CLIP embeddings with XGBoost provides a strong alternative. In contrast, zero-shot CLIP and direct vision-language classification perform substantially worse, highlighting the limits of general-purpose models in this domain. Beyond overall performance, the analysis reveals which categories are visually separable and where errors reflect genuine semantic overlap, suggesting that some limitations arise from the taxonomy itself.
• Abstract（参考訳）: 歴史写本の挿絵は、過去の文化の豊かな視覚的証拠を保存している。 人物、動物、植物、図形、音楽の表記、装飾的な形態を描いている。 大規模なデジタル化プロジェクトによって多くの写本がオンラインで入手できるようになったが、その資料自体は大規模な調査が難しいままである。 抽出システムは、原稿のページにイラストを見つけることができるが、意味のあるカテゴリがなければ、大規模なコレクションの検索と探索は困難である。 このギャップに対処するために、22のカテゴリにまたがって何百年も遡る原稿から15,000枚のイラストを手動でラベル付けしたデータセットを導入し、このタスクで画像分類のための最新の視覚モデルを評価する。 この問題は、スタイリスティックな多様性、劣化、セマンティックなあいまいさが原因であり、複数のカテゴリに適合する多くの画像があるため、難しい。 我々は、微調整CNNとTransformerベースの分類器、ゼロショットCLIP、埋め込みベースの分類器、直接視覚言語モデルを比較した。 ConvNeXtは88.9%の精度で81.3%のマクロF1である。 XGBoostでCLIPを埋め込むことは、強力な代替手段となる。 対照的に、ゼロショットCLIPと直接視覚言語分類は、この領域における汎用モデルの限界を顕著に強調する。 全体的なパフォーマンス以外にも、どのカテゴリーが視覚的に分離可能か、どのエラーが真に意味的な重複を反映しているかを明らかにし、いくつかの制限が分類自体から生じることを示唆している。

関連論文リスト

• Do I look like a `cat.n.01` to you? A Taxonomy Image Generation Benchmark [63.97125827026949]
  本稿では、ゼロショット設定でテキスト・ツー・イメージ・モデルを用いて分類概念の画像を生成する可能性について検討する。 分類概念を理解し、関連する高品質の画像を生成するモデルの能力を評価するベンチマークが提案されている。 9つの新しい分類関連テキスト・ツー・イメージ・メトリクスと人間のフィードバックを用いて12のモデルを評価した。
  論文  参考訳（メタデータ） (2025-03-13T13:37:54Z)
• Grounding Descriptions in Images informs Zero-Shot Visual Recognition [47.66166611138081]
  我々は,表現を細かなレベルと粗いレベルの両方で同時に調整することを目的とした,新しい事前学習戦略であるGRAINを提案する。 我々は,現在の最先端技術と比較して,モデルのゼロショット性能の向上を実証する。
  論文  参考訳（メタデータ） (2024-12-05T18:52:00Z)
• Evolving Interpretable Visual Classifiers with Large Language Models [34.4903887876357]
  CLIPのようなマルチモーダル事前訓練モデルは、オープン語彙の柔軟性と高性能のため、ゼロショット分類に人気がある。 画像とクラスラベルの類似点を計算する視覚言語モデルは、ほとんどブラックボックスであり、解釈可能性の制限、バイアスのリスク、書き下がらない新しい視覚概念の発見ができない。 本稿では,視覚認識のための属性の解釈可能かつ差別的集合を検出する新しい手法を提案する。
  論文  参考訳（メタデータ） (2024-04-15T17:09:53Z)
• Vocabulary-free Image Classification [75.38039557783414]
  VIC(Vocabulary-free Image Classification)と呼ばれる新しいタスクを定式化する。 VICは、既知の語彙を必要とせずに、制約のない言語によって引き起こされる意味空間に存在するクラスを入力画像に割り当てることを目的としている。 CaSEDは、事前訓練された視覚言語モデルと外部視覚言語データベースを利用して、VICをトレーニング不要に対処する手法である。
  論文  参考訳（メタデータ） (2023-06-01T17:19:43Z)
• Exploiting Category Names for Few-Shot Classification with Vision-Language Models [78.51975804319149]
  大規模データに事前訓練された視覚言語基礎モデルは、多くの視覚的理解タスクに強力なツールを提供する。 本稿では,カテゴリ名を用いて分類ヘッドを初期化することにより,少数ショット分類の性能を著しく向上させることができることを示す。
  論文  参考訳（メタデータ） (2022-11-29T21:08:46Z)
• Text2Model: Text-based Model Induction for Zero-shot Image Classification [38.704831945753284]
  テキスト記述のみを用いてタスクに依存しない分類器を構築するという課題に対処する。 クラス記述を受信し,マルチクラスモデルを出力するハイパーネットワークを用いてゼロショット分類器を生成する。 本手法は,画像,ポイントクラウド,行動認識など,一連のゼロショット分類タスクにおいて,テキスト記述の範囲を用いて評価する。
  論文  参考訳（メタデータ） (2022-10-27T05:19:55Z)
• VGSE: Visually-Grounded Semantic Embeddings for Zero-Shot Learning [113.50220968583353]
  ゼロショット学習のための識別的視覚特性を含むセマンティック埋め込みを発見することを提案する。 本モデルでは,画像の集合を視覚的類似性に応じて局所的な画像領域の集合に視覚的に分割する。 視覚的に接地されたセマンティック埋め込みは、様々なZSLモデルにまたがる単語埋め込みよりも、大きなマージンで性能を向上することを示した。
  論文  参考訳（メタデータ） (2022-03-20T03:49:02Z)
• WikiChurches: A Fine-Grained Dataset of Architectural Styles with Real-World Challenges [9.625253146891025]
  建築様式分類のための新しいデータセットについて紹介する。 データセットは、さまざまな研究分野のベンチマークとして機能する。 さらに、139の教会に特徴的な視覚的特徴を示す631のバウンディングボックスアノテーションを提供する。
  論文  参考訳（メタデータ） (2021-08-16T08:33:12Z)
• Revisiting Document Representations for Large-Scale Zero-Shot Learning [14.99658798518872]
  ウィキペディアページのような文書には豊富な視覚情報が含まれており、膨大な量の非視覚文によって容易に埋められる。 文書セクションヘッダと視覚文のクラスタリング構造を活用した,視覚文抽出のための半自動機構を提案する。 10,000以上の目に見えないクラスを持つImageNetデータセットでは、私たちの表現は一般的に使用されるものに対して64%の相対的な改善につながります。
  論文  参考訳（メタデータ） (2021-04-21T05:17:55Z)

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。