論文の概要: Towards Cost-Efficient Video Dataset Construction with Large Language Models

• arxiv url: http://arxiv.org/abs/2610.16857v1
• Date: Mon, 12 Oct 2026 14:26:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.385777
• Title: Towards Cost-Efficient Video Dataset Construction with Large Language Models
• Title（参考訳）: 大規模言語モデルを用いたコスト効率の良いビデオデータセット構築に向けて
• Abstract要約: 既存のビデオデータセットアプローチは共通のボトルネックを共有している。 本稿では,これらの動画を実際にダウンロードする前に,メタデータに基づいてビデオのプレスクリーンにLarge Language Models (LLMs) を用いたフィルタリング手順を提案する。
• 参考スコア（独自算出の注目度）: 3.114884650164509
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Research on video classification models has witnessed significant growth recently, accompanied by a significant increase in the demand for datasets to train such models. Existing video dataset curation approaches share a common bottleneck: candidate videos must be downloaded before any relevance judgment is made, which results in storage, time and annotation costs. In this work, we present a filtering step, using Large Language Models (LLMs) to pre-screen videos based on their metadata, before actually downloading these videos, thereby saving on these costs. We evaluate the LLMs against a strict human majority vote derived from four independent annotators and validate the reliability of the annotations through inter-annotator agreement analysis (Gwet's AC1). We compare the LLM pre-filter against two no-LLM baselines, namely two keyword heuristics. Via a Leave-One-Rater-Out (LOO) mechanism and an Add-One-Rater-In (AORI), we evaluate the performance of the LLMs as virtual annotators. Finally, we report cost comparisons relative to existing approaches. To ensure reproducability, we made our implementation available on github.
• Abstract（参考訳）: ビデオ分類モデルの研究は、そのようなモデルをトレーニングするデータセットの需要が大幅に増加し、最近顕著な成長をみせた。 既存のビデオデータセットのキュレーションアプローチは、一般的なボトルネックを共有している。 関連する判断が下される前に、候補ビデオはダウンロードされなければならない。 本研究では,メタデータをベースとしたビデオのプレスクリーン化にLarge Language Models (LLMs) を用いたフィルタリング手法を提案する。 独立アノテータ4名による厳格な多数決に対するLCMの評価と,アノテータ間合意分析(Gwet's AC1)によるアノテーションの信頼性の検証を行った。 LLMプレフィルタを2つの非LLMベースライン、すなわち2つのキーワードヒューリスティックスと比較する。 また,LOO(Leave-One-Rater-Out)機構とAORI(Add-One-Rater-In)により,LLMの性能を仮想アノテータとして評価した。 最後に,既存手法と比較してコスト比較を行った。 再現性を確保するため,実装をgithubで公開しました。

関連論文リスト

• video-SALMONN-R$^3$: Learning to ReWatch, ReAsk, and ReAnswer for Efficient Video Understanding [49.5110151334134]
  ビデオ大言語モデル(LLM)は計算やメモリの予算によって制約されることが多い。 Video-SALMONN-R$3$は、強化学習による再視聴を可能にする最初のエンドツーエンドビデオLLMである。
  論文  参考訳（メタデータ） (2026-06-23T12:13:19Z)
• ViLL-E: Video LLM Embeddings for Retrieval [55.66444095205989]
  ViLL-E (Video-LLM-Embed) は、新しい埋め込み生成機構を備えた統合ビデオLLMアーキテクチャである。 我々は、生成学習とコントラスト学習を組み合わせた3段階の学習手法を用いて、このモデルを訓練する。 我々のモデルは、時間的ローカライゼーション(他のビデオLLMよりも7%)とビデオ検索(デュアルエンコーダモデルより最大4%)を大幅に改善する。
  論文  参考訳（メタデータ） (2026-04-13T23:54:58Z)
• LiViBench: An Omnimodal Benchmark for Interactive Livestream Video Understanding [23.207637210563504]
  LiViBenchはインタラクティブなライブストリームビデオのための全方位ベンチマークである。 24タスクの多様なセットが特徴で、知覚、推論、ライブストリーム固有の課題を強調している。 インタラクティブなライブストリームの知識を充実させたMLLMであるLiVi-LLM-7Bを開発した。
  論文  参考訳（メタデータ） (2026-01-21T14:14:20Z)
• TimeLens: Rethinking Video Temporal Grounding with Multimodal LLMs [81.78017865436816]
  我々は,映像の時間的接地能力の強いMLLMを体系的に構築するTimeLensを提案する。 まず,既存のVTGベンチマークにおける重要な品質問題を明らかにし,TimeLens-Benchを導入する。 また、自動再アノテーションパイプラインを通じてノイズの多いトレーニングデータに対処し、大規模で高品質なトレーニングデータセットであるTimeLens-100Kを出力します。
  論文  参考訳（メタデータ） (2025-12-16T18:59:58Z)
• Video-LMM Post-Training: A Deep Dive into Video Reasoning with Large Multimodal Models [78.32948112203228]
  ビデオ理解はコンピュータビジョンにおける最も困難なフロンティアである。 近年,映像理解タスクにおいて,映像多時間モデルが顕著に出現している。 Surveyは、ビデオ-LMM能力を向上するための統一的なフレームワークを研究者や実践者に提供することを目的としている。
  論文  参考訳（メタデータ） (2025-10-06T17:10:44Z)
• SCBench: A Sports Commentary Benchmark for Video LLMs [19.13963551534595]
  我々は,ビデオ大言語モデル(ビデオLLM)のためのスポーツビデオ解説生成のためのベンチマークを開発する。 $textbfSCBench$はタスク用に特別に設計された6次元計量であり、GPTに基づく評価手法を提案する。 結果,InternVL-Chat-2は5.44で最高の性能を示し,1.04で2位となった。
  論文  参考訳（メタデータ） (2024-12-23T15:13:56Z)
• VideoSAVi: Self-Aligned Video Language Models without Human Supervision [0.6854849895338531]
  VideoSAViは、ビデオ-LLMが外部の監督なしにビデオコンテンツから学ぶことができる自己学習パイプラインである。 我々のアプローチは、モデルの初期応答における推論エラーを識別する自己記述機構を含む。 VideoSAViは、複数のベンチマークで大幅に改善されている。
  論文  参考訳（メタデータ） (2024-12-01T00:33:05Z)
• CinePile: A Long Video Question Answering Dataset and Benchmark [55.30860239555001]
  我々は、CinePileという新しいデータセットとベンチマークを提示する。 包括的データセットは305,000の多重選択質問(MCQ)から構成されており、様々な視覚的・マルチモーダル的な側面をカバーしている。 トレーニングスプリットに関して、オープンソースのVideo-LLMを微調整し、データセットのテストスプリット上で、オープンソースとプロプライエタリなビデオ中心LLMの両方を評価しました。
  論文  参考訳（メタデータ） (2024-05-14T17:59:02Z)

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。