Fugu-MT 論文翻訳(概要): When Should the Count Change? Learning State Maintenance for Causal Video Counting

論文の概要: When Should the Count Change? Learning State Maintenance for Causal Video Counting

arxiv url: http://arxiv.org/abs/2609.35416v1
Date: Mon, 28 Sep 2026 15:29:48 GMT
ステータス: 翻訳完了
システム内更新日: 2026-10-02 05:41:51.847314
Title: When Should the Count Change? Learning State Maintenance for Causal Video Counting
Title（参考訳）: カウントはいつ変わるべきか : 因果的ビデオカウントのための状態維持の学習
Abstract要約: StaMinaは状態条件の更新を通じてカウント状態を維持することを学ぶ。部分的なビデオオーバーラップと連結アノテーションの保留グループによるカウント適応の評価を行った。
参考スコア（独自算出の注目度）: 11.588679307869372
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Continuous video counting requires distinguishing new observations from new objects or completed events. We introduce StaMina (State Maintenance), which learns to maintain counting state through state-conditioned updates. Recurrent visual context supports recognition; learned transitions maintain visibility, persistent identities, and completed-event records. A differentiable recurrence trains event transitions over legal paths constrained by count endpoints; visibility and association objectives train the object branch. A multi-source pipeline organizes 39.8K spatial queries and complementary event annotations into counting trajectories. On SVCBench, we evaluate counting adaptation with partial video overlap and held-out groups of linked annotations. Under prefix replay (Full) and persistent streaming (Stream), 4B and 8B models reach 41.9/36.4 and 44.9/38.2 Gaussian Precision Accuracy, respectively. The 8B model gains 10.9/3.2 points over Counting-SFT on the same queries. Matched-graph comparisons isolate phase conditioning and trajectory supervision, assessing training objectives alongside hard decisions. Online video benchmarks and count-conditioned decisions assess online understanding and task eligibility. Project Page: https://PLACEHOLDER.github.io/StaMina/
Abstract（参考訳）: 連続的なビデオカウントには、新しい観測と新しいオブジェクトや完了したイベントを区別する必要がある。状態条件の更新を通じてカウント状態を維持することを学ぶStaMina(ステートメンテナンス)を紹介します。学習された遷移は可視性、永続的なアイデンティティ、完了した記録を維持する。異なるリカレンス・トレインのイベントは、カウント・エンドポイントによって制限された法的なパスを乗り越え、可視性と関連性の目的がオブジェクトブランチを訓練する。マルチソースパイプラインは39.8Kの空間クエリと補完的なイベントアノテーションをまとめてトラジェクトリをカウントする。 SVCBenchでは、部分的なビデオオーバーラップとリンクアノテーションの保留グループによるカウント適応を評価した。プレフィックス再生(Full)と永続ストリーミング(Stream)では、4Bモデルと8Bモデルはそれぞれ41.9/36.4と44.9/38.2ガウス精度に達した。 8Bモデルは、同じクエリでCounting-SFTよりも10.9/3.2ポイント向上する。マッチンググラフ比較は、位相条件付けと軌道監視を分離し、ハードな決定とともにトレーニング目標を評価する。オンラインビデオベンチマークとカウント条件決定は、オンラインの理解とタスクの適性を評価する。 Project Page: https://PLACEHOLDER.github.io/StaMina/

関連論文リスト

Learning to Reason with Persistent Object States for Video Instance Segmentation [6.1925700989107995]
ビデオセグメンテーションモデルは、フレーム全体にインスタンス情報を運ぶことによって、オブジェクトのアイデンティティを保持する。我々はPOSReasonerを紹介します。これはトレーニング可能なプラグイン・アンド・プレイフレームワークで、オブザーバがオブジェクトの状態を変えるべきタイミングを明確に決定します。長期VOSとVISベンチマークによる実験では、強いベースラインよりも一貫した改善が見られた。
論文参考訳（メタデータ） (2026-09-28T16:19:41Z)
TRACE: Temporal Audit and Condition-aware Evaluation of Streaming Video Understanding [13.520645078385343]
TRACE (Temporal Audit and Condition-Aware Evaluation) は条件対応のベンチマークおよび評価フレームワークである。 517本の動画から1,240枚の記録を収集し、8つの構成で8つの公開モデルやシステムを評価した。ほぼ同一のQA精度は、完成率、正解率、生成負荷のかなりの差を隠蔽できることがわかった。
論文参考訳（メタデータ） (2026-09-25T01:21:25Z)
Verification-Aware Training for Speculative Decoding [57.84976863792784]
VAT(Verification-Aware Training)は、トレーニングステップ毎に検証をシミュレートし、その結果の受け入れパターンと拒否パターンを監督するプラグインフレームワークである。 VATはトレーニング対象のみを変更するため、ドラフトアーキテクチャやターゲットモデル、推論手順を変更することなく、既存のメソッドの上にレイヤー化することができる。 VATは平均受理期間を最大11.4%改善し、ウォールクロックのスピードアップを最大8.7%向上させ、数学、コード、チャットベンチマークで一貫した利益を得ている。
論文参考訳（メタデータ） (2026-08-31T01:42:10Z)
The Low Frequency Trap: Video Language Models Fail at Simple Event Bookkeeping [70.07961857926377]
3つの制御されたビデオタスクにおけるイベントカウントのためのトレーサグラウンドパラメトリックプロファイリングを導入する。 2,190本のビデオでは,レンダリングを保ちながらイベントカウントNと周波数Fが異なる。 80%の信頼性しきい値において、Gemini 3.6 Flashは、0.5Hzと1.0Hzの12イベントまでの永続的な状態遷移を確実にカウントするが、過渡的点滅イベントに対する信頼性の高い正カウント領域は示さない。
論文参考訳（メタデータ） (2026-08-06T17:57:06Z)
Can Transformers Learn to Verify During Backtracking Search? [5.709908922073304]
バックトラック探索は古典的な制約解決者、プランナー、定理証明者の基礎となる。最近の変圧器に基づく推論システムは, 探索木を自身の中間ステップで探索する。累積トレースで訓練されたデコーダのみの変換器は、この要件を2つの方法で満たさないことを示す。
論文参考訳（メタデータ） (2026-05-21T09:26:01Z)
VCBench: A Streaming Counting Benchmark for Spatial-Temporal State Maintenance in Long Videos [20.761149440325614]
我々は,世界的メンテナンス能力の診断のための最小限のプローブとしてカウントするストリーミングカウントベンチマークであるVCBenchを提案する。 VCBenchには、フレーム単位のアノテーションで10,071のイベント発生モーメントとオブジェクト状態変更モーメントを備えた406のビデオが含まれている。数値精度,軌道整合性,時間的認識の3つの相補的指標を設計する。
論文参考訳（メタデータ） (2026-03-13T06:28:46Z)
Stable Video Infinity: Infinite-Length Video Generation with Error Recycling [76.91310169118408]
本研究では、高時間一貫性、可視的シーン遷移、制御可能なストリーミングストーリーラインを有する無限長ビデオを生成することができる安定ビデオインフィニティ(SVI)を提案する。 SVIにはError-Recycling Fine-Tuningが組み込まれており、これはDiffusion Transformerの自己生成エラーをスーパーバイザのプロンプトにリサイクルする、新しいタイプの効率的なトレーニングである。我々は、一貫性、創造性、条件設定を含む3つのベンチマークでSVIを評価し、その汎用性と最先端の役割を徹底的に検証した。
論文参考訳（メタデータ） (2025-10-10T09:45:46Z)
Training-Free Time Series Classification via In-Context Reasoning with LLM Agents [29.14242392533328]
時系列分類(TSC)は様々なアプリケーションシナリオにまたがるが、ラベル付きデータは少ないことが多い。本稿では,事前の文脈推論による学習自由TSCのためのマルチエージェントフレームワークであるFETAを提案する。
論文参考訳（メタデータ） (2025-10-07T14:07:43Z)
Self-Supervised Correspondence Estimation via Multiview Registration [88.99287381176094]
ビデオは、視覚学習に必要な同期時間一貫性を提供します。近年のアプローチでは、この信号を用いて、近接フレーム対からの対応推定を学習している。短いRGB-Dビデオシーケンスにおけるマルチビュー一貫性から学習する対応推定のための自己教師付きアプローチを提案する。
論文参考訳（メタデータ） (2022-12-06T18:59:02Z)
REGTR: End-to-end Point Cloud Correspondences with Transformers [79.52112840465558]
我々は、注意機構が明示的な特徴マッチングとRANSACの役割を置き換えることができると推測する。本稿では,最終文集合を直接予測するエンドツーエンドフレームワークを提案する。提案手法は3DMatchおよびModelNetベンチマークにおける最先端性能を実現する。
論文参考訳（メタデータ） (2022-03-28T06:01:00Z)
A Closer Look at Temporal Sentence Grounding in Videos: Datasets and Metrics [70.45937234489044]
2つの広く使用されているTSGVデータセット(Charades-STAとActivityNet Captions)を再編成し、トレーニング分割と異なるものにします。基本的なIoUスコアを校正するために、新しい評価基準「dR@$n$,IoU@$m$」を導入する。すべての結果は、再編成されたデータセットと新しいメトリクスがTSGVの進捗をよりよく監視できることを示している。
論文参考訳（メタデータ） (2021-01-22T09:59:30Z)

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。