論文の概要: Benchmarking Answer-Grounding Consistency in Remote Sensing Visual Question Answering

• arxiv url: http://arxiv.org/abs/2610.13636v1
• Date: Fri, 09 Oct 2026 14:15:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.616533
• Title: Benchmarking Answer-Grounding Consistency in Remote Sensing Visual Question Answering
• Title（参考訳）: リモートセンシング型視覚質問応答におけるアンサーグラウンド一貫性のベンチマーク
• Abstract要約: 本稿では,回答基盤の整合性を評価するためにAESP(Answer-Evidence Support Protocol)を提案する。 AESPはタスク固有のルールを存在、数え、比較質問に適用する。 言語モデルによる7つの根拠付き視覚実験は、すべての質問タイプでエビデンスサポートの失敗を明らかにする。
• 参考スコア（独自算出の注目度）: 13.976923689918253
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In grounded remote sensing visual question answering, a model produces a textual answer and identifies relevant objects in the image as grounding evidence. Existing evaluations measure answer correctness and localization quality, but do not directly assess answer-grounding consistency. We propose the Answer-Evidence Support Protocol (AESP) to assess this consistency through evidence support: whether the grounding evidence supports the model's own answer. AESP applies task-specific rules to existence, counting, and comparison questions. We further construct the Grounded Remote Sensing Visual Question Answering (G-RSVQA) benchmark, containing 15,027 samples with questions, reference answers, and all related object-level annotations. Experiments on seven grounded vision--language models reveal failures of evidence support across all three question types. Up to 50.82% of correct answers in the evidence evaluation subset are not supported by the provided grounding evidence.
• Abstract（参考訳）: グラウンドド・リモートセンシングによる視覚的質問応答では、モデルはテキストによる回答を生成し、画像内の関連オブジェクトをグラウンドド・エビデンスとして識別する。 既存の評価は解答の正しさと局所化の質を測るが、解答の整合性を直接評価するものではない。 本稿では,この一貫性を証拠支援を通じて評価するアンサー・エビデンス支援プロトコル(AESP)を提案する。 AESPはタスク固有のルールを存在、数え、比較質問に適用する。 さらに,G-RSVQA(Gunded Remote Sensing Visual Question Answering)ベンチマークを構築し,質問や参照回答,関連するすべてのアノテーションを含む15,027のサンプルを含む。 言語モデルによる7つの根拠付き視覚実験は、3つの質問タイプにまたがるエビデンスサポートの失敗を明らかにする。 証拠評価サブセットの正解の最大50.82%は、提示された根拠証拠には支持されない。

関連論文リスト

• Answer with Evidence: Consistency-Aware Grounded Visual Question Answering for Roadside Traffic Scenes [67.12965225696523]
  RoadSceneVQA-Gは34.7Kの質問応答対のベンチマークである。 RoadSceneVQA-Gは34.7Kの質問応答対のベンチマークである。
  論文  参考訳（メタデータ） (2026-10-04T14:48:54Z)
• JRDB-AVR: An Active Visual Reasoning Benchmark for Embodied Agents in Real-World Environments [51.05603466006443]
  具体化された視覚的推論のシナリオでは、質問に答えるために必要な証拠は時間、視点、相互作用するオブジェクトに分散する可能性がある。 我々は,構造化質問生成エンジンを用いて,既存の実世界のJRDBロボットデータから得られたベンチマークであるJRDB-AVRを紹介する。 また, 明示的な観測地上グラフに基づく世界モデルを維持する, 参照能動推論エージェントであるJRDB-AVR-Agentについても紹介する。
  論文  参考訳（メタデータ） (2026-09-28T12:30:11Z)
• HANIA: Planner-Guided Multimodal Graph Evidence Selection for Grounded Question Answering [3.8576003370668808]
  マルチモーダルな質問応答は、ノイズ、不完全、そして弱い根拠に敏感なままである。 提案するHANIAは,エビデンスに基づく質問応答のためのマルチモーダルグラフフレームワークである。 その結果、構造化されたエビデンス計画とコンパクトなグラフ誘導検索は、競合するマルチモーダル質問応答を支援することができることがわかった。
  論文  参考訳（メタデータ） (2026-08-29T06:38:21Z)
• Evidence-RL: Towards Evidence-intensive Visual Reasoning [42.129341199654654]
  VLM(Vision-Language Models)は、言語やデータセットのショートカット、あるいは無関係な視覚的コンテキストよりも、具体的な画像証拠から答えるべきである。 本稿では,VLM接地のための訓練時間的エビデンス監査であるCED(Courerfactual Evidence Disentanglement)を提案する。 CEDはオブジェクト中心のエビデンス領域を中和し、その結果の非エビデンス領域に対するサポートドロップを比較する。
  論文  参考訳（メタデータ） (2026-08-08T09:02:10Z)
• SEER: A Self-Grounded Evidence Interface for Controlled Spatial Relation Classification [71.9783246097687]
  SEERは、ペアローカライゼーション中の候補関係を隠蔽し、明示的な主観的/対象的役割を持つクエリ固有ビューを構築し、補完的な証拠として完全なイメージとスパースボックス幾何学を保持する。 正確な逆サポートを持つ関係選択プロトコルでは、オプションリファインメントがエンティティロールを交換し、正確に1つの視覚状態が対応する逆関係に従う場合にのみ前方決定を変更する。 変更されていないプロトコルは、3つのモデルにまたがる2,434個のフィルター付きEmbSpatialペア関係質問に対して +4.35 から +11.79 を得る。
  論文  参考訳（メタデータ） (2026-08-04T13:16:15Z)
• Question-Aware Evidence Ledgers for Video Relational Reasoning [49.15616982043187]
  我々は,強力なGPT-5.5ビデオQA解決器と疑似エビデンス台帳のセットを中心に構築されたテスト時間推論パイプラインを提案する。 パイプラインは92.95%の総合精度と93.79%のマクロ精度を達成した。
  論文  参考訳（メタデータ） (2026-06-01T17:18:03Z)
• VISTAQA: Benchmarking Joint Visual Question Answering and Pixel-Level Evidence [26.0945130521806]
  既存のベンチマークでは、テキストによる回答の正当性または画素レベルのローカライゼーションを分離して評価している。 本稿では,視覚的質問応答に基づく自由形式の回答正当性と画素レベルの証拠を共同評価するためのベンチマークであるVISTAQAを紹介する。 GROVEは, テキストの精度と接地品質を, サンプルごとの幾何平均で組み合わせることで, 関節の正しさを強制する指標である。
  論文  参考訳（メタデータ） (2026-05-20T03:44:06Z)
• Teaching language models to support answers with verified quotes [12.296242080730831]
  オープンブック”QAモデルをトレーニングし、その一方で、その主張に関する具体的な証拠を引用しています。 2800億のパラメータモデルであるGopherCiteは、高品質なサポートエビデンスで回答を生成し、不確実な場合には回答を控えることができます。
  論文  参考訳（メタデータ） (2022-03-21T17:26:29Z)
• Do Answers to Boolean Questions Need Explanations? Yes [11.226970608525596]
  既存のTyDi QAとBoolQデータセットのエビデンスを示す新しいアノテーションセットをリリースします。 私たちのアノテーションは、改善されたエビデンスの範囲を抽出するモデルをトレーニングするために使用できます。
  論文  参考訳（メタデータ） (2021-12-14T22:40:28Z)
• On the General Value of Evidence, and Bilingual Scene-Text Visual Question Answering [120.64104995052189]
  本稿では,2つの言語で表現された質問を含む,この問題に対処するための一歩を踏み出したデータセットを提案する。 推論を測定することは、偶然に正しい答えを罰することによって、直接一般化を促進する。 データセットはVQA問題のシーンテキストバージョンを反映しており、推論評価は参照表現課題のテキストベースのバージョンと見なすことができる。
  論文  参考訳（メタデータ） (2020-02-24T13:02:31Z)
• SQuINTing at VQA Models: Introspecting VQA Models with Sub-Questions [66.86887670416193]
  現状のVQAモデルでは、知覚や推論の問題に答える上で同等の性能を持つが、一貫性の問題に悩まされていることを示す。 この欠点に対処するため、サブクエスト対応ネットワークチューニング(SQuINT)というアプローチを提案する。 我々は,SQuINTがモデル一貫性を5%向上し,VQAにおける推論問題の性能も改善し,注意マップも改善したことを示す。
  論文  参考訳（メタデータ） (2020-01-20T01:02:36Z)

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。