論文の概要: ReVA: A Scene-Centric Dataset Beyond Repetition for Remote Sensing Video Question Answering

• arxiv url: http://arxiv.org/abs/2609.35507v1
• Date: Mon, 28 Sep 2026 16:05:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 21:16:26.276053
• Title: ReVA: A Scene-Centric Dataset Beyond Repetition for Remote Sensing Video Question Answering
• Title（参考訳）: ReVA: リモートセンシングによる質問応答の繰り返しを超えたシーン中心のデータセット
• Abstract要約: リモートセンシングビデオ質問応答のための新しいデータセットであるReVAを紹介する。 ReVAは、世界中の18都市(580Kフレーム)にまたがる2,438のドローンビデオと、11のQAタスクにわたる高品質な質問応答ペアで構成されている。 我々は、ReVA上で23のプロプライエタリかつオープンソースのビデオLLMを評価し、現在のモデルの基本的制約を明らかにした。
• 参考スコア（独自算出の注目度）: 11.992348571848844
• License: http://creativecommons.org/licenses/by-nc-sa/4.0/
• Abstract: Multimodal Large Language Models (MLLMs) have demonstrated remarkable advances in remote sensing. However, existing remote sensing multimodal reasoning benchmarks exhibit two critical limitations: they rely on (i) template-driven questions, which causes repetitive questions; and (ii) static images that fail to capture the inherent temporal nature of drone/UAV videos. This leaves systematic evaluation of remote sensing video reasoning largely unexplored. To address this gap, we introduce ReVA, a new dataset for remote sensing video question answering, designed to assess spatiotemporal, scene-centric, and reasoning-oriented capabilities of MLLMs. ReVA comprises 2,438 drone videos spanning 18 cities worldwide (580K frames) and 22K high-quality question-answer pairs across 11 challenging QA tasks. We develop a semi-automatic annotation pipeline that leverages Text LLMs and MLLMs for question-answer generation with human verification. We evaluate 23 proprietary and open-source Video LLMs on ReVA, exposing fundamental limitations of current models. These findings position ReVA as a critical benchmark toward better remote sensing video understanding and temporal reasoning capabilities for real-world deployments. Our code and dataset are available at: https://github.com/zyaocoder/ReVA
• Abstract（参考訳）: マルチモーダル大言語モデル(MLLM)はリモートセンシングにおいて顕著な進歩を見せている。 しかし、既存のリモートセンシングマルチモーダル推論ベンチマークには2つの重要な制限がある。 (i)反復質問を引き起こすテンプレート駆動質問、及び (II)ドローン/UAVビデオの時間特性を捉えない静止画像。 このことは、ほとんど探索されていないリモートセンシングビデオ推論の体系的な評価を残している。 このギャップに対処するために、我々は、MLLMの時空間、シーン中心、推論指向能力を評価するために設計された、リモートセンシングビデオ質問応答のための新しいデータセットであるReVAを紹介した。 ReVAは、世界中の18都市(580Kフレーム)にまたがる2,438のドローンビデオと、11のQAタスクにわたる高品質な質問応答ペアで構成されている。 我々は,テキストLLMとMLLMを利用した半自動アノテーションパイプラインを開発し,人間の検証による質問応答生成を行う。 我々は、ReVA上で23のプロプライエタリかつオープンソースのビデオLLMを評価し、現在のモデルの基本的制約を明らかにした。 これらの知見は、ReVAをリモートセンシングビデオ理解とリアルタイムデプロイメントのための時間的推論能力の改善に向けた重要なベンチマークとして位置付けている。 私たちのコードとデータセットは、https://github.com/zyaocoder/ReVAで利用可能です。

関連論文リスト

• Video-MSR: Benchmarking Multi-hop Spatial Reasoning Capabilities of MLLMs [21.346216484639225]
  Video-MSRは、動的ビデオシナリオにおけるマルチホップ空間推論を評価するために設計された最初のベンチマークである。 当社のベンチマークでは,3,052の高品質ビデオインスタンスと4,993の質問応答ペアを,スケーラブルで視覚的なパイプラインで構築した。 本稿は,マルチホップ空間指導データの有効性を実証し,将来的な研究の基盤としてビデオMSRを確立した。
  論文  参考訳（メタデータ） (2026-01-14T12:24:47Z)
• VideoSSR: Video Self-Supervised Reinforcement Learning [62.25888935329454]
  RLVR(Reinforcement Learning with Verifiable Rewards)は、MLLM(Multimodal Large Language Models)の映像理解能力を大幅に向上させた。 ビデオ内のリッチで本質的な情報は、高品質で検証可能なトレーニングデータの自己生成に利用できますか?
  論文  参考訳（メタデータ） (2025-11-09T08:36:40Z)
• MAGNET: A Multi-agent Framework for Finding Audio-Visual Needles by Reasoning over Multi-Video Haystacks [67.31276358668424]
  AV-HaystacksQAという新しいタスクを導入し、クエリに応答して、異なるビデオにまたがる有能なセグメントを識別し、それらをリンクして最も有意義な回答を生成する。 AVHaystacksは、マルチビデオ検索および時間的グラウンドタスクにおけるLMMの能力を評価するために設計された3100の注釈付きQAペアからなるオーディオビジュアルベンチマークである。 提案するAVHaystackのQAタスクにおけるBLEU@4およびGPT評価スコアの基準値よりも89%と65%の相対的な改善を実現し、モデルに依存しないマルチエージェントフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-06-08T06:34:29Z)
• ViQAgent: Zero-Shot Video Question Answering via Agent with Open-Vocabulary Grounding Validation [49.1574468325115]
  本研究は、ゼロショットビデオ質問応答(VideoQA)のためのLCMブラインドエージェントを提案する。 Chain-of-Thoughtフレームワークと、YOLO-Worldと組み合わせて、オブジェクトのトラッキングとアライメントを強化する。 このアプローチは、NExT-QA、iVQA、ActivityNet-QAベンチマークのパフォーマンスを向上した、ビデオQAおよびビデオ理解における新しい最先端技術を確立する。
  論文  参考訳（メタデータ） (2025-05-21T18:32:43Z)
• Eyes on the Road: State-of-the-Art Video Question Answering Models Assessment for Traffic Monitoring Tasks [0.0]
  本研究では、非ベンチマーク合成および実世界のトラフィックシーケンスを用いて、最先端のビデオQAモデルの評価を行う。 VideoLLaMA-2は57%の精度で進行する。 これらの知見は、トラフィック監視におけるVideoQAの可能性を裏付けるだけでなく、多目的追跡、時間的推論、合成機能の改善の必要性も強調している。
  論文  参考訳（メタデータ） (2024-12-02T05:15:32Z)
• MMBench-Video: A Long-Form Multi-Shot Benchmark for Holistic Video Understanding [67.56182262082729]
  本稿では,ビデオ理解において大規模視覚言語モデル(LVLM)を厳格に評価するための定量的なベンチマークであるMMBench-Videoを紹介する。 MMBench-VideoにはYouTubeの長いビデオが組み込まれており、フリーフォームの質問を採用し、実用的なユースケースを反映している。 ベンチマークは、慎重に構築された能力の分類に従って人間に注釈を付けることで、モデルの時間的推論スキルを調査するために慎重に作成されている。
  論文  参考訳（メタデータ） (2024-06-20T17:26:01Z)
• SearchLVLMs: A Plug-and-Play Framework for Augmenting Large Vision-Language Models by Searching Up-to-Date Internet Knowledge [56.772051051558215]
  大規模視覚言語モデル(LVLM)は、LLaVAシリーズのような最新の知識を知らない。 本稿では,サーチLVLMと呼ばれる最新の知識に関する視覚的質問応答(VQA)を扱うために,既存のLVLMを増補するプラグイン・アンド・プレイフレームワークを提案する。
  論文  参考訳（メタデータ） (2024-05-23T13:32:07Z)

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。