論文の概要: Improving Semantic Coverage in AI Test & Evaluation through Generative Augmentation

• arxiv url: http://arxiv.org/abs/2610.13697v1
• Date: Fri, 09 Oct 2026 14:57:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-13 04:06:29.648355
• Title: Improving Semantic Coverage in AI Test & Evaluation through Generative Augmentation
• Title（参考訳）: ジェネレーション拡張によるAIテストおよび評価における意味的カバレッジの改善
• Abstract要約: AIモデルのテストと評価では、評価対象は通常、保持されたテストデータセットにのみアクセスすることができる。 このようなセマンティックギャップを埋める3段階の生成AIパイプラインを提案する。 日夜のセマンティックギャップにおける画像分類と物体検出の両面において,全パイプラインを検証した。
• 参考スコア（独自算出の注目度）: 3.102691808037433
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In test and evaluation (T&E) of AI models, evaluators typically have access only to a held-out test dataset and no knowledge of the training data or its semantic composition. If critical input conditions---such as time-of-day, weather, or scene location---are underrepresented in this test dataset, T&E results can be misleadingly due to this semantic coverage gap. We propose a three-stage generative AI pipeline to detect and fill such semantic gaps without requiring ground-truth labels of these semantics. First, vision-language models (VLMs) perform zero-shot binary labeling of semantic factors, and an embedding-space clustering step identifies which semantics most affect downstream model behavior. Second, diffusion-based image-to-image models transform existing covered images into the underrepresented semantic domain, preserving scene content while augmenting high-level appearance. Third, statistical analysis of the augmented image embeddings verifies that the synthetic imagery improves dataset coverage before it is incorporated. Crucially, the synthetic data is used only to enrich the test set and no model retraining is performed for T&E. We validate the full pipeline on both image classification and object detection under day/night semantic gaps, showing that the augmented test datasets better distinguish models with and without exposure to the missing semantic, thereby yielding T&E conclusions that more closely match those of an ideal, fully covered dataset. Code available at https://github.com/Hashe037/DEDUCE
• Abstract（参考訳）: AIモデルのテストと評価(T&E)では、評価対象は通常、保持されたテストデータセットにのみアクセスでき、トレーニングデータやそのセマンティックな構成に関する知識がない。 このテストデータセットでは、日時、天気、シーン位置などの重要な入力条件が不足している場合、このセマンティックなカバレッジギャップのために、T&Eの結果は誤解を招く可能性がある。 本稿では,このような意味的ギャップを検出し,埋める3段階の生成AIパイプラインを提案する。 まず、視覚言語モデル(VLM)は、セマンティックファクターのゼロショットバイナリラベリングを行い、埋め込み空間クラスタリングステップは、どのセマンティクスが下流モデルの振る舞いに最も影響するかを特定する。 第2に、拡散に基づくイメージ・ツー・イメージ・モデルは、既存の被写体画像を表現不足のセマンティック・ドメインに変換し、高レベルの外観を増大させながらシーン内容を保存する。 第3に、拡張画像埋め込みの統計的解析は、合成画像が組み込まれる前にデータセットのカバレッジを改善することを検証する。 重要なことに、合成データはテストセットの強化にのみ使用され、T&Eのためのモデル再訓練は行われない。 日夜のセマンティックギャップ下でのイメージ分類とオブジェクト検出の完全なパイプラインを検証することで、拡張テストデータセットは、欠落したセマンティックに曝露することなくモデルを識別し、より理想的な完全にカバーされたデータセットのものとより密に一致したT&E結論が得られることを示す。 https://github.com/Hashe037/DEDUCE

関連論文リスト

• Semantic Visual Anomaly Detection and Reasoning in AI-Generated Images [96.43608872116347]
  AnomReasonは4倍のtextbfAnomAgentのような構造化アノテーションを備えた大規模ベンチマーク AnomReasonとAnomAgentは、AI生成画像の意味的妥当性の測定と改善の基盤となっている。
  論文  参考訳（メタデータ） (2025-10-11T14:09:24Z)
• Importance of Disjoint Sampling in Conventional and Transformer Models for Hyperspectral Image Classification [2.1223532600703385]
  本稿では、ハイパースペクトル画像分類(HSIC)タスク上でSOTAモデルをトレーニングするための革新的な不整合サンプリング手法を提案する。 重なりのないトレーニング,検証,テストデータを分離することにより,提案手法は,トレーニングや検証中に露出していないピクセルをどの程度正確に分類できるかを,より公平に評価することができる。 この厳密な手法は、SOTAモデルの発展と、ハイパースペクトルセンサーを用いた大規模陸地マッピングへの実際の応用に欠かせない。
  論文  参考訳（メタデータ） (2024-04-23T11:40:52Z)
• Dataset Diffusion: Diffusion-based Synthetic Dataset Generation for Pixel-Level Semantic Segmentation [6.82236459614491]
  テキストから画像への生成モデルであるStable Diffusionを用いて,ピクセルレベルのセマンティックセマンティックセマンティクスラベルを生成する手法を提案する。 テキストプロンプト,クロスアテンション,SDの自己アテンションを活用することで,クラスプロンプト付加,クラスプロンプト横断アテンション,自己アテンション指数の3つの新しい手法を導入する。 これらの手法により合成画像に対応するセグメンテーションマップを生成することができる。
  論文  参考訳（メタデータ） (2023-09-25T17:19:26Z)
• Wavelet-based Unsupervised Label-to-Image Translation [9.339522647331334]
  本稿では、自己教師付きセグメンテーション損失と全画像ウェーブレットに基づく識別を併用した、SIS(USIS)のための新しいアン教師付きパラダイムを提案する。 3つの挑戦的なデータセットで方法論を検証し、ペアモデルとアンペアモデルのパフォーマンスギャップを橋渡しする能力を実証する。
  論文  参考訳（メタデータ） (2023-05-16T17:48:44Z)
• Contrastive Model Adaptation for Cross-Condition Robustness in Semantic Segmentation [58.17907376475596]
  意味的セグメンテーションのための正規-逆条件モデル適応について検討する。 提案手法は, コントラスト学習を通じて条件不変の特徴を学習するために, このような画像ペアを利用する。 いくつかの正規-逆適応ベンチマークにおけるモデル適応のための最先端セマンティックセマンティックセマンティクス性能を実現する。
  論文  参考訳（メタデータ） (2023-03-09T11:48:29Z)
• Prefix Conditioning Unifies Language and Label Supervision [84.11127588805138]
  学習した表現の一般化性を低減することにより,データセットのバイアスが事前学習に悪影響を及ぼすことを示す。 実験では、この単純な手法により、ゼロショット画像認識精度が向上し、画像レベルの分布シフトに対するロバスト性が向上することを示した。
  論文  参考訳（メタデータ） (2022-06-02T16:12:26Z)
• Phase Consistent Ecological Domain Adaptation [76.75730500201536]
  意味的セグメンテーション(意味的セグメンテーション)の課題に焦点をあてる。そこでは、注釈付き合成データが多用されるが、実際のデータへのアノテートは困難である。 視覚心理学に触発された最初の基準は、2つの画像領域間の地図が位相保存であることである。 第2の基準は、照明剤や撮像センサーの特性に関わらず、その画像に現れる環境統計、またはシーン内の規則を活用することを目的としている。
  論文  参考訳（メタデータ） (2020-04-10T06:58:03Z)

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。