論文の概要: HeiCo-FOCUS: A Clinically Grounded Dataset for Long-Context Video Understanding

• arxiv url: http://arxiv.org/abs/2610.10156v1
• Date: Wed, 07 Oct 2026 14:33:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-08 21:58:22.959774
• Title: HeiCo-FOCUS: A Clinically Grounded Dataset for Long-Context Video Understanding
• Title（参考訳）: HeiCo-FOCUS:ロングコンテキストビデオ理解のための臨床応用データセット
• Abstract要約: HeiCo-FOCUSは、長文ビデオ理解を評価するための臨床応用データセットである。 Heidelberg大腸手術のデータセットに基づいて構築されたこのタスクでは、複数のオブジェクトが挿入され、操作され、閉鎖され、最大数時間続く手順で除去されるように、モデルが複数のオブジェクトを追跡する必要がある。 HeiCo-FOCUSは、オブジェクト認識、時間的接地、集約、イベントおよび手続き的理解、複雑な推論の5つのコア機能をカバーする3万の視覚的質問応答(VQA)ペアで構成されている。
• 参考スコア（独自算出の注目度）: 20.619552357842352
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recent advances in Vision-Language Models (VLMs) have led to rapid progress in video understanding across a wide range of benchmark tasks. However, existing evaluations largely focus on short-term reasoning, failing to assess a critical capability: maintaining cumulative temporal consistency over extended time horizons. To close this evaluation gap, we introduce HeiCo-FOCUS, a clinically grounded dataset for evaluating long-context video understanding through the task of Foreign Object Contextual Understanding in Surgery. Built on a dataset of Heidelberg Colorectal surgeries, this task requires models to continuously track multiple objects as they are inserted, manipulated, occluded, and removed over procedures lasting up to hours. HeiCo-FOCUS comprises 30,000 visual question answering (VQA) pairs covering five core capabilities: object recognition, temporal grounding, aggregation, event and procedural understanding, and complex reasoning. The dataset was constructed through a rigorous multi-stage annotation pipeline involving large-scale crowd annotation and 39 surgical domain experts to ensure high quality and clinical relevance. To systematically probe model behavior, we introduce a multi-track evaluation framework that progressively increases temporal and contextual demands from single frames to full procedures. Experiments with ten frontier VLMs show that HeiCo-FOCUS tasks are far from solved: only around half of the models clearly outperform a text-only baseline. Across the video tracks, models perform best on event and procedural understanding (mean Accuracy: 56.5% across all models), while temporal grounding remains particularly challenging for all evaluated models (mean Accuracy: 19.7%). We therefore expect HeiCo-FOCUS to serve as a catalyst for the development of models capable of reliable, temporally consistent reasoning over hours-long videos.
• Abstract（参考訳）: VLM(Vision-Language Models)の最近の進歩は、幅広いベンチマークタスクにおけるビデオ理解の急速な進歩につながっている。 しかし、既存の評価は短期的な推論に重点を置いており、重要な能力の評価に失敗している。 この評価ギャップを埋めるため,手術における異物文脈理解の課題を通じて,長期コンテキスト映像理解を評価するための臨床基盤的データセットであるHeiCo-FOCUSを紹介する。 Heidelbergの大腸手術のデータセットに基づいて構築されたこのタスクでは、複数のオブジェクトが挿入され、操作され、閉鎖され、数時間続く手順で取り除かれるように、モデルを継続的に追跡する必要がある。 HeiCo-FOCUSは、オブジェクト認識、時間的接地、集約、イベントおよび手続き的理解、複雑な推論の5つのコア機能をカバーする3万の視覚的質問応答(VQA)ペアで構成されている。 このデータセットは、大規模なクラウドアノテーションと39の外科領域の専門家による厳格な多段階アノテーションパイプラインによって構築され、高品質で臨床的な妥当性が保証された。 モデル動作を体系的に調査するために,1フレームから全プロシージャへの時間的・文脈的要求を段階的に増大させるマルチトラック評価フレームワークを導入する。 10個のフロンティアVLMによる実験では、HeiCo-FOCUSタスクは解決には程遠いことが示されている。 ビデオトラック全体では、モデルがイベントや手続き的理解(平均精度:56.5%、全モデルで56.5%)において最善であるのに対し、時間的根拠は評価されたすべてのモデル(平均精度:19.7%)において特に困難である。 したがって、HeiCo-FOCUSは、数時間のビデオの信頼性、時間的に一貫した推論が可能なモデル開発のための触媒として機能することを期待している。

関連論文リスト

• LoMeVQA: A Comprehensive Benchmark for Longitudinal Medical VQA [23.762697050770157]
  時間的医用画像解析のための206K長手視覚質問応答(VQA)ペアからなるベンチマークであるLoMeVQAを提案する。 LoMeVQAは、進捗分類、進捗記述、進捗レポート生成、差分領域接地、および差分領域記述の5つのタスクをカバーしている。 MedLong-8Bを導入し,全タスクにまたがって最先端のパフォーマンスを実現する。
  論文  参考訳（メタデータ） (2026-07-30T07:45:58Z)
• It's TIME: Towards the Next Generation of Time Series Forecasting Benchmarks [87.7937890373758]
  時系列基礎モデル(TSFM)は,特定のデータセットモデルから一般化可能なタスク評価に至るまで,予測環境に革命をもたらしている。 我々は、50の新しいデータセットと98の予測タスクからなる次世代タスク中心のベンチマークであるTIMEを紹介する。 静的なメタラベルに基づく従来のデータセットレベルの評価を超える新しいパターンレベルの評価視点を提案する。
  論文  参考訳（メタデータ） (2026-02-12T16:31:01Z)
• CVBench: Evaluating Cross-Video Synergies for Complex Multimodal Understanding and Reasoning [11.478276629279526]
  CVBenchは,ビデオ間のリレーショナル推論を厳格に評価するために設計された,最初の総合的なベンチマークである。 CVBenchは、クロスビデオオブジェクトアソシエーション、クロスビデオイベントアソシエーション、クロスビデオ複合推論の3層にまたがる1000の質問応答ペアで構成されている。 5つのドメインの異なるビデオクラスタから構築されたこのベンチマークは、ダイナミックな視覚的コンテキストにまたがる情報を合成するモデルに挑戦する。
  論文  参考訳（メタデータ） (2025-08-27T03:29:35Z)
• HumanVideo-MME: Benchmarking MLLMs for Human-Centric Video Understanding [120.84817886550765]
  MLLM(Multimodal Large Language Models)は、画像とビデオの両方を含む視覚的理解タスクにおいて、大きな進歩を見せている。 既存の人間中心のベンチマークは、主にビデオ生成の品質と行動認識を強調し、人間中心のシナリオに必要な知覚と認知の能力を見落としている。 我々は,人間中心のビデオ理解におけるMLLMのより総合的な評価を提供するために,厳格にキュレートされたベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-07-07T11:52:24Z)
• Automated ARAT Scoring Using Multimodal Video Analysis, Multi-View Fusion, and Hierarchical Bayesian Models: A Clinician Study [1.0463644684200606]
  脳卒中リハビリテーションにおける上肢評価のための行動研究アームテスト(ARAT)のマニュアルスコアリングは時間集約的かつ変動的である。 マルチモーダルビデオ解析をSlowFast, I3D, Transformerベースのモデルと統合した自動ARATスコアリングシステムを提案する。 この研究は、クリニカルバリデーションを備えたスケーラブルで解釈可能なソリューションを提供することで、自動リハビリテーションを進める。
  論文  参考訳（メタデータ） (2025-05-03T04:00:51Z)
• TOMATO: Assessing Visual Temporal Reasoning Capabilities in Multimodal Foundation Models [55.48403691519395]
  トマト(Tomato)は、ビデオ理解におけるMFMの時間的推論能力を厳格に評価するための新しいベンチマークである。 TOMATOは、6つのタスクにまたがる1,484件の注意深いキュレーションと人間による注釈付き質問で構成されている。 総合評価の結果, 人体モデルの性能差は57.3%であり, 最良性能モデルでは57.3%であった。
  論文  参考訳（メタデータ） (2024-10-30T17:50:23Z)
• CinePile: A Long Video Question Answering Dataset and Benchmark [55.30860239555001]
  我々は、CinePileという新しいデータセットとベンチマークを提示する。 包括的データセットは305,000の多重選択質問(MCQ)から構成されており、様々な視覚的・マルチモーダル的な側面をカバーしている。 トレーニングスプリットに関して、オープンソースのVideo-LLMを微調整し、データセットのテストスプリット上で、オープンソースとプロプライエタリなビデオ中心LLMの両方を評価しました。
  論文  参考訳（メタデータ） (2024-05-14T17:59:02Z)
• A Threefold Review on Deep Semantic Segmentation: Efficiency-oriented, Temporal and Depth-aware design [77.34726150561087]
  我々は、自動運転車のビジョンの文脈において、Deep Semanticの最も関連性があり最近の進歩について調査を行う。 私たちの主な目的は、それぞれの視点で直面している主要な方法、利点、制限、結果、課題に関する包括的な議論を提供することです。
  論文  参考訳（メタデータ） (2023-03-08T01:29:55Z)

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。