論文の概要: Can Synthetic UAV Benchmarks Be Trusted? Real-Synthetic Validation for UAV Model Selection

• arxiv url: http://arxiv.org/abs/2610.14647v1
• Date: Sat, 10 Oct 2026 06:57:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-20 12:31:44.845299
• Title: Can Synthetic UAV Benchmarks Be Trusted? Real-Synthetic Validation for UAV Model Selection
• Title（参考訳）: 合成UAVベンチマークは信頼できるか? : UAVモデル選択のための実合成検証
• Abstract要約: 合成UAV画像は、タスク固有のRealデータが不足している場合に、事前デプロイテストの証拠を拡張することができる。 本研究では,リアルUAVデータから得られたモデル選択の結論を,合成評価が保持している場合について検討する。
• 参考スコア（独自算出の注目度）: 4.725030850181498
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Synthetic UAV imagery can expand pre-deployment test evidence when task-specific Real data are scarce, but visual plausibility or semantic label alignment alone does not establish validity for model selection. We study when Synthetic evaluation preserves the model-selection conclusions obtained from Real UAV data through two complementary cases under fixed evaluation protocols. In a requirement-specific road-debris benchmark, four language-conditioned perception systems obtain lower absolute F1 on Synthetic data, yet the point-estimate ordering and top-ranked model are preserved; bootstrap analysis yields no supported pairwise reversal, and size-matched resampling preserves the top-model decision. In contrast, a closed-set stress test on a separately materialized business corpus, using four VisDrone-compatible detectors over eight empirically supported classes, changes the point-estimate top-ranked detector and reverses three of six pairwise point-estimate preference directions. A complementary audit of five UAV business scenarios further reveals substantial Real-Synthetic mismatch in class composition, object density, and target scale, including systematic under-representation of small targets. These results show that Synthetic UAV benchmark trust is conditional: semantic coverage is insufficient, and validity must be established empirically for the task, operating regime, and model panel of interest.
• Abstract（参考訳）: 合成UAV画像は、タスク固有のリアルデータが不足している場合に、事前デプロイテストの証拠を拡張することができるが、視覚的可視性やセマンティックラベルのアライメントだけでは、モデル選択の妥当性は確立しない。 固定評価プロトコル下での2つの相補的事例を通して, リアルUAVデータから得られたモデル選択の結論を, 合成評価が保持している場合について検討する。 4つの言語条件付き認識システムは、要求仕様のロードデブリベンチマークにおいて、合成データに対して低い絶対値F1を取得するが、ポイント推定順序付けとトップランク付けモデルは保存され、ブートストラップ解析では、サポートされたペアワイズリバーサルが得られず、サイズマッチングされた再サンプリングは、トップモデル決定を保存する。 対照的に、個別に構成されたビジネスコーパス上のクローズセットストレステストでは、8つの経験的に支持されたクラス上で4つのVisDrone互換検出器を使用して、ポイント推定トップランク検出器を変更し、6つのポイント推定優先方向のうち3つを反転させる。 5つのUAVビジネスシナリオの補完的な監査により、クラス構成、オブジェクト密度、ターゲットスケールにおいて、小さなターゲットの体系的な下表現を含む、実質的なリアル・シンセティックなミスマッチがさらに明らかになる。 これらの結果から, セマンティックなUAVベンチマーク信頼は条件付きであり, セマンティックなカバレッジが不十分であり, 課題, 運用体制, モデルパネルに対する妥当性を実証的に確立する必要があることが示唆された。

関連論文リスト

• Robust Ambiguity Detection (RAD) From Model- and Feature-Space Consistency [6.07595146080737]
  ロバストなあいまいさ検出(RAD)フレームワークは、2つの相補的な指標を用いて予測曖昧さを定量化する。 RADは、体系的に制御されたオーバーラップを伴う合成データセットと、いくつかの実世界のデータセットで評価される。
  論文  参考訳（メタデータ） (2026-08-12T01:13:33Z)
• Label-Free Target-Domain Adaptation for Unconstrained Event-Image Feature Matching via Dual-Stage Distillation [30.789763956644958]
  クロスモーダルマッチング手法は、マッチングラベルまたは厳密に整列されたハードウェアに依存しているため、大きく制限されている。 本稿では,この問題に対処するための新しい2段階トレーニングパラダイムを提案する。 提案手法はMVSECとTUM-VIEの両方のポーズ推定タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-07-11T02:23:11Z)
• DualEval: Joint Model-Item Calibration for Unified LLM Evaluation [67.99119926012686]
  DualEvalは、モデルと評価項目を共有空間で表現する潜在モデルイテムキャリブレーションフレームワークである。 我々はDualEvalを、コーディング、数学、雑多なドメイン知識タスク、汎用的な日常的なユーザクエリの4つの領域にまたがって適用する。
  論文  参考訳（メタデータ） (2026-06-24T22:40:46Z)
• Scaling Pretrained Representations Enables Label-Free Out-of-Distribution Detection Without Fine-Tuning [5.008779702997125]
  最新の事前学習モデルでは, 正確なラベル自由分布検出に十分な幾何学的構造をエンコードしている。 以上の結果から, ラベルフリーなOOD検出は, 凍結した後骨が露出する形状に強く依存していることが示唆された。
  論文  参考訳（メタデータ） (2026-05-07T03:45:52Z)
• Detecting Multimodal Situations with Insufficient Context and Abstaining from Baseless Predictions [75.45274978665684]
  VLU(Vision-Language Understanding)ベンチマークには、提供されたコンテキストによってサポートされない仮定に答えが依存するサンプルが含まれている。 サンプル毎にコンテキストデータを収集し,エビデンスに基づくモデル予測を促進するためにコンテキスト選択モジュールをトレーニングする。 我々は,十分なコンテキストを欠いたサンプルを同定し,モデル精度を向上させる汎用なコンテキスト・アワレ認識検出器を開発した。
  論文  参考訳（メタデータ） (2024-05-18T02:21:32Z)
• Conservative Prediction via Data-Driven Confidence Minimization [70.93946578046003]
  機械学習の安全性クリティカルな応用においては、モデルが保守的であることが望ましいことが多い。 本研究では,不確実性データセットに対する信頼性を最小化するデータ駆動信頼性最小化フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-06-08T07:05:36Z)
• Revisiting the Evaluation of Image Synthesis with GANs [55.72247435112475]
  本研究では, 合成性能の評価に関する実証的研究を行い, 生成モデルの代表としてGAN(Generative Adversarial Network)を用いた。 特に、表現空間におけるデータポイントの表現方法、選択したサンプルを用いた公平距離の計算方法、各集合から使用可能なインスタンス数など、さまざまな要素の詳細な分析を行う。
  論文  参考訳（メタデータ） (2023-04-04T17:54:32Z)

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。