論文の概要: VESSI - VLM-Enhanced Support for Surveillance and Investigations

• arxiv url: http://arxiv.org/abs/2610.11674v1
• Date: Thu, 08 Oct 2026 10:50:17 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:53.96327
• Title: VESSI - VLM-Enhanced Support for Surveillance and Investigations
• Title（参考訳）: VESSI-VLMによる監視・調査支援
• Abstract要約: VLM(Vision-Language Models)は、このギャップを埋めるための有望な経路を提供する。 VLM(Vision-Language Models)の最近の進歩は、このギャップを埋めるための有望な経路を提供する。 本稿では,VLMによる監視・調査支援(VESSI)を提案する。
• 参考スコア（独自算出の注目度）: 55.40987250144294
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Automated video surveillance analysis has become a critical component of intelligence infrastructures and Law Enforcement agencies. Traditional systems lack the semantic module for comprehensive situational awareness and forensic tasks, limiting their ability to interpret events meaningfully or support post-incident investigations. This slows operational insight and increases the burden on human analysts. Recent advances in Vision-Language Models (VLMs) offer promising pathways to bridge this gap. To address this, we propose VLM-Enhanced Support for Surveillance and Investigations (VESSI), a VLM-based framework designed to enhance automated video surveillance analysis through prompt-driven interrogation of video sequences where salient visual features are converted into textual descriptions. We test our framework with four state-of-the-art models. Since most datasets for this task are unlabeled, we also propose the Composite Model Utility Score (CMUS) to assess VLM performance. Experimental results show that our solution substantially improves the analysis capabilities of human operators and enhances the flexibility of automated surveillance systems. In our evaluation, the most reliable model flagged potentially relevant activity in more than 66% of the videos while reducing review time by more than 85%, offering a practical balance between selectivity and efficiency. The model ordering produced by the reference-free CMUS evaluation was reproduced by the normal-video CMUS evaluation and matched the false-positive-rate ordering obtained from 5,909 manually referenced frames. This agreement supports the operational use of the score within the evaluated setting.
• Abstract（参考訳）: 自動監視分析は、情報インフラや法執行機関にとって重要な要素となっている。 伝統的なシステムは、総合的な状況認識と法医学的タスクのためのセマンティックモジュールが欠如しており、出来事を意味的に解釈したり、事後調査を支援する能力が制限されている。 これにより、運用上の洞察が遅くなり、人間のアナリストの負担が増大する。 VLM(Vision-Language Models)の最近の進歩は、このギャップを埋めるための有望な経路を提供する。 これを解決するために,VLM-Enhanced Support for Surveillance and Investigations (VESSI) を提案する。 フレームワークを4つの最先端モデルでテストします。 このタスクのほとんどのデータセットはラベル付けされていないため、VLMの性能を評価するためにCMUS(Composite Model Utility Score)も提案する。 実験結果から,本ソリューションは人間のオペレーターの分析能力を大幅に向上し,自動監視システムの柔軟性を向上することが示された。 評価において、最も信頼性の高いモデルでは、ビデオの66%以上において潜在的に関連性のある活動を示すとともに、レビュー時間を85%以上削減し、選択性と効率の現実的なバランスを図った。 基準自由CMUS評価により生成したモデル順序は、通常のビデオCMUS評価により再現され、5,909個の手動参照フレームから得られた偽陽性率順序と一致した。 この合意は、評価された設定内でのスコアの運用的使用をサポートする。

関連論文リスト

• ReAgent-V: A Reward-Driven Multi-Agent Framework for Video Understanding [71.654781631463]
  ReAgent-Vは、新しいエージェントビデオ理解フレームワークである。 推論中に効率の良いフレーム選択とリアルタイムの報酬生成を統合する。 12のデータセットに対する大規模な実験は、一般化と推論において大きな成果を上げている。
  論文  参考訳（メタデータ） (2025-06-02T04:23:21Z)
• 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)
• UVE: Are MLLMs Unified Evaluators for AI-Generated Videos? [21.200287880994235]
  本稿では,AI生成ビデオ(AIGV)の統一評価手段として,マルチモーダル大言語モデル(MLLM)の有用性について検討する。 UVE-Benchは、最先端のVGMが生成したビデオを収集し、15の評価側面で相互に人間の好みのアノテーションを提供する。 実験結果から,高度なMLLMは人間の評価に遅れを取っているものの,AIGVの統一評価において有望な能力を示し,既存の評価手法をはるかに上回っていることが示唆された。
  論文  参考訳（メタデータ） (2025-03-13T01:52:27Z)
• A Benchmark for Crime Surveillance Video Analysis with Large Models [22.683394427744616]
  監視ビデオにおける異常解析はコンピュータビジョンにおいて重要なトピックである。 近年,マルチモーダル大規模言語モデル (MLLM) は様々な領域においてタスク固有モデルよりも優れている。 UCVLと表記される大規模モデルを用いた犯罪監視ビデオ分析のベンチマークを提案する。
  論文  参考訳（メタデータ） (2025-02-13T13:38:17Z)
• AutoBench-V: Can Large Vision-Language Models Benchmark Themselves? [65.92331309449015]
  本稿では,モデル能力の特定の側面に基づいてLVLMをベンチマークする,オンデマンドで評価を行う自動フレームワークであるAutoBench-Vを紹介する。 5つの要求されたユーザ入力に対して9つの人気のあるLVLMを広範囲に評価することにより、このフレームワークの有効性と信頼性を示す。
  論文  参考訳（メタデータ） (2024-10-28T17:55:08Z)
• Zero-Shot Action Recognition in Surveillance Videos [5.070026408553652]
  現在のAIベースのビデオ監視システムは、広範囲の微調整を必要とするコアコンピュータビジョンモデルに依存している。 VideoLLaMA2はゼロショットのパフォーマンスが飛躍的に向上し、ベースラインを20%上回る。 さらに、Self-ReSはゼロショットアクション認識性能を44.6%に向上させた。
  論文  参考訳（メタデータ） (2024-10-28T15:13:53Z)

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。