論文の概要: Relational Semantic Grounding for Test-Time Discovery

• arxiv url: http://arxiv.org/abs/2610.14721v1
• Date: Sat, 10 Oct 2026 08:42:16 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.094903
• Title: Relational Semantic Grounding for Test-Time Discovery
• Title（参考訳）: テスト時間発見のための関係セマンティックグラウンドリング
• Abstract要約: Test-Time Discovery (TTD) は、既知のクラスを認識し、デプロイ後の継続的な未ラベルのテストストリームから新しいクラスを検出することを目的としている。 既存のTTDメソッドは主に視覚的なクラスタリングやプロトタイプの比較に依存しており、発見されたクラスに匿名ラベルを割り当てることしかできない。 TTDのためのSemantic Grounding with AttributesフレームワークSEGAを提案する。
• 参考スコア（独自算出の注目度）: 14.388299511435342
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Test-Time Discovery (TTD) aims to recognize known classes and detect novel ones from a continuous unlabeled test stream after deployment. Existing TTD methods mainly rely on visual clustering or prototype comparison, and can only assign anonymous labels to discovered classes, leaving them difficult to interpret in open-world applications. In this paper, we propose SEGA, a Semantic Grounding with Attributes framework for TTD. SEGA leverages large language models to generate attribute-rich descriptions for known classes and constructs an attribute-anchored visual-semantic space during training. At test time, we introduce Relational Semantic Grounding (RSG), which grounds unknown samples with similar and dissimilar known-class anchors, prompts the LLM to generate candidate concepts, and reranks them in the learned semantic space. The selected concept is further used for confidence-guided test-time semantic stabilization. By coupling attribute-level semantic alignment with relational concept grounding, SEGA transforms anonymous test-time clusters into interpretable semantic concepts. Experiments show that SEGA improves TTD baselines with the promise of semantic grounding for open-world.
• Abstract（参考訳）: Test-Time Discovery (TTD) は、既知のクラスを認識し、デプロイ後の継続的な未ラベルのテストストリームから新しいクラスを検出することを目的としている。 既存のTTDメソッドは主にビジュアルクラスタリングやプロトタイプの比較に依存しており、発見されたクラスに匿名ラベルを割り当てることしかできず、オープンワールドアプリケーションでは解釈が困難である。 本稿では,TTDのためのセマンティックグラウンドディング・アトリビュートフレームワークSEGAを提案する。 SEGAは、大きな言語モデルを利用して、既知のクラスに対する属性リッチな記述を生成し、トレーニング中に属性アンコールされたビジュアル・セマンティックな空間を構築する。 実験では,未知のサンプルを類似した異種アンカーでグラウンド化し,LLMに候補概念の生成を促し,学習した意味空間で再帰させる関係意味的グラウンド(RSG)を導入する。 選択された概念は、信頼性誘導テスト時セマンティック安定化にさらに使用される。 属性レベルのセマンティックアライメントと関係概念の基底を結合することにより、SEGAは匿名のテスト時間クラスタを解釈可能なセマンティック概念に変換する。 実験の結果,SEGAはオープンワールドのセマンティックグラウンド化を約束してTTDベースラインを改善した。

関連論文リスト

• Transfer Learning for Edge Classification on Dynamic Text-Attributed Graphs [9.701178273182691]
  本研究では、動的グラフ学習のための最先端の自己教師手法が、目に見えない領域に移動すると、性能が低下することを示す。 時間差とノード発生頻度の表現を統一多様体に統合するSTSAを提案する。
  論文  参考訳（メタデータ） (2026-09-26T18:23:46Z)
• SynCLIP: Synonym-Coherent Language-Image Pretraining for Robust Open-Vocabulary Dense Perception [18.893901764545742]
  SynCLIPはSynonym-Coherent Language-Image Pretrainingフレームワークである。 開語彙密度知覚のための同義語ロバスト接地を強化する。 これはCLIPベースのOVDP手法の最先端性能を実現する。
  論文  参考訳（メタデータ） (2026-07-13T02:16:17Z)
• Structured-Condensed Prompt Tuning in Vision-Language Models for Fine-grained Image Recognition [38.294322671641545]
  微粒な画像認識は、手動のアノテーションに必要な相当な専門知識と努力のために重要な課題である。 現在のメソッドでは、クラスラベルを独立した独立したエンティティとして扱い、それらの間のリッチなセマンティックな関係を見渡しています。 本稿では,素早い学習における意味的構造モデリングの強化を目的としたSCPT(Structured-Condensed Prompt Tuning)を提案する。
  論文  参考訳（メタデータ） (2026-07-07T12:09:49Z)
• USS: Unified Spatial-Semantic Prompts for Embodied Visual Tracking with Latent Dynamics Learning [18.003030497082623]
  Embodied Visual Tracking (EVT)では、エージェントが動的環境を積極的に移動しながら、指定されたターゲットを継続的に追跡する必要がある。 本稿では,EVTにおける目標指示をテキストのみの仕様から統一的な空間意味的プロンプトへと緩和するパラダイムシフトを提案する。 潜時ダイナミクス学習を用いた身体的視覚追跡のための統一空間意味プロンプトを提案する。
  論文  参考訳（メタデータ） (2026-06-24T14:25:05Z)
• Seeking Consensus: Geometric-Semantic On-the-Fly Recalibration for Open-Vocabulary Remote Sensing Semantic Segmentation [27.476148859056114]
  SeeCoは、リモートセンシング画像におけるトレーニング不要のOVSSモデルのパフォーマンスを向上させるための、プラグアンドプレイフレームワークである。 デュアルコンセンサスを求めることにより、任意のOVSSモデルをオンザフライで再分類する。 8つのリモートセンシングOVSSベンチマークの実験は、一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-04-29T01:57:21Z)
• GUIDED: Granular Understanding via Identification, Detection, and Discrimination for Fine-Grained Open-Vocabulary Object Detection [54.19989440021701]
  細粒度オープン語彙オブジェクト検出(FG-OVD)は属性リッチテキストで記述された新しいオブジェクトカテゴリを検出することを目的としている。 FG-OVDは、非絡み合いモデリングとモジュラー最適化の利点を実証し、新しい最先端の結果を達成する。
  論文  参考訳（メタデータ） (2026-03-27T22:08:11Z)
• Semantics Meets Temporal Correspondence: Self-supervised Object-centric Learning in Videos [63.94040814459116]
  自己教師付き手法は、高レベルの意味論と低レベルの時間対応の学習において顕著な進歩を見せている。 融合した意味特徴と対応地図の上に,意味認識型マスキングスロットアテンションを提案する。 我々は、時間的コヒーレントなオブジェクト中心表現を促進するために、セマンティックおよびインスタンスレベルの時間的一貫性を自己スーパービジョンとして採用する。
  論文  参考訳（メタデータ） (2023-08-19T09:12:13Z)
• Exploring Structured Semantic Prior for Multi Label Recognition with Incomplete Labels [60.675714333081466]
  不完全なラベルを持つマルチラベル認識(MLR)は非常に難しい。 最近の研究は、視覚言語モデルであるCLIPにおける画像とラベルの対応を探り、不十分なアノテーションを補うことを目指している。 我々は,MLRにおけるラベル管理の欠如を,構造化されたセマンティクスを導出することにより,不完全なラベルで修復することを提唱する。
  論文  参考訳（メタデータ） (2023-03-23T12:39:20Z)

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。