論文の概要: UA-Bench: Benchmarking Large Audio-Language Models on Underwater Acoustic Recognition

• arxiv url: http://arxiv.org/abs/2610.16942v1
• Date: Mon, 12 Oct 2026 15:18:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-15 21:06:15.394965
• Title: UA-Bench: Benchmarking Large Audio-Language Models on Underwater Acoustic Recognition
• Title（参考訳）: UA-Bench:水中音響認識における大規模オーディオ言語モデルのベンチマーク
• Abstract要約: 水中音響信号認識における大規模音声言語モデル(LALM)の評価のための,最初の大規模ベンチマークを示す。 我々は、ソースルーティング、きめ細かい分類、出力フォーマットで各エラーを特定する粗大なプロトコルを用いて、バランスの取れた2,600レコードのサブセットについて評価する。 9つのオープンLALMはタスク固有の適応なしに評価され、ランダムな参照7.7%に対して、葉の精度は2.0%--13.1%にしか達しない。
• 参考スコア（独自算出の注目度）: 39.79353644380984
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Large audio-language models (LALMs) are fast becoming a general interface to sound, yet how far their broad pretraining carries into specialized domains remains largely open. Vessel monitoring, maritime safety, and ocean sensing all depend on recognizing underwater signals, but to our knowledge LALMs have not been systematically evaluated on them. Annotated recordings are costly to collect, and a faithful synthetic alternative has to bring together many interacting factors: the structure of detection pulses, communication waveforms, and ship-radiated noise, and the sound-speed profile, geometry, and multipath propagation through which each reaches the receiver. We address this by proposing \textbf{UA-Bench}, to our knowledge the first large-scale benchmark for evaluating LALMs on underwater acoustic signal recognition. It comprises 375,051 audio records that couple parameterized sources with modeled propagation, so that every record can be traced to the conditions that produced it. The records span these three signal families, and each carries a three-level label hierarchy (13 leaf classes), a templated multi-turn dialogue, and source and channel metadata. We evaluate on a balanced 2,600-record subset with a gated coarse-to-fine protocol that locates each error at source routing, fine-grained classification, or output format, and add a paired silent-audio control to test whether the waveform is actually used. Nine open LALMs, evaluated without task-specific adaptation, reach only 2.0\%--13.1\% leaf accuracy, against a random reference of 7.7\%. The waveform helps source routing far more than leaf recognition (for one model, +29.5 versus +2.3 points over silence), and just four models gain reliably at the leaf level, by at most 4.7 points. UA-Bench thus gives a reference point for these models, and its released training partition supports follow-up adaptation work.
• Abstract（参考訳）: 大型オーディオ言語モデル (LALM) は急速に音声の一般的なインターフェースになりつつあるが、その広範な事前訓練が特定の領域にどの程度広まっていくかは、まだ明らかになっていない。 船舶の監視、海洋安全、海洋センシングはすべて水中信号の認識に依存していますが、私たちの知る限り、LALMは体系的に評価されていません。 注釈付き記録は収集に費用がかかるが、忠実な合成代替手段は、検出パルス、通信波形、船舶放射音の構造、および各受信機が到達する音速プロファイル、幾何学、マルチパス伝搬など、多くの相互作用する要因をまとめなければならない。 そこで本稿では,水中音響信号認識におけるLALM評価のための大規模ベンチマークとして,最初の大規模ベンチマークであるtextbf{UA-Bench}を提案する。 パラメータ化されたソースをモデル化された伝搬と組み合わせた375,051のオーディオレコードからなり、すべてのレコードを生成した条件にトレースすることができる。 レコードはこれら3つのシグナルファミリーにまたがっており、それぞれが3レベルのラベル階層(13のリーフクラス)、テンプレート化されたマルチターンダイアログ、ソースとチャネルのメタデータを持っている。 我々は、ソースルーティング、きめ細かな分類、出力フォーマットにおける各エラーを特定するゲート付き粗大なプロトコルを持つ2,600レコードサブセットを評価し、波形が実際に使用されているかどうかをテストするためにペアのサイレントオーディオ制御を追加する。 9つのオープンLALMは、タスク固有の適応なしに評価され、ランダム参照7.7\%に対して、葉の精度は2.0\%--13.1\%にしか達しない。 波形は、葉の認識以上にソースのルーティングに役立つ(一モデルでは +29.5 対 +2.3 対 サイレント)。 したがって、UA-Benchはこれらのモデルへの参照ポイントを与え、リリースしたトレーニングパーティションはフォローアップ適応作業をサポートする。

関連論文リスト

• Large-scale bioacoustic detection using semantic segmentation: a deep learning framework applied to fin whale calls in ocean-bottom seismometer recordings [0.003557754373323816]
  オーシャンボトム地震計(Ocean-bottomseisometer, OBS)は、海洋の広い海域で数ヶ月から数年にわたって低周波音を観測する。 OBSスペクトログラムにおけるフィンクジラの20Hz音節を検出する深層学習セマンティックセマンティックセマンティックセマンティクスフレームワークを提案する。 46箇所のOBSから記録された378,912hの録音により、この検出器は630万件の通話を識別し、これまでで最大のフィンクジラ電話カタログを形成した。
  論文  参考訳（メタデータ） (2026-09-08T11:43:41Z)
• Hear to See: Discerning Stateful Listening for Audio-Visual Instance Segmentation [58.79612575170589]
  既存の手法では、重なり合う音響イベントと視覚的インスタンスをマッチングし、音声視覚力学を扱うのに苦労している。 本稿では,2つのメカニズムを用いて,これらの課題に対処するH2Sを提案する。 論文が受け入れられたら、コードはオープンソースになる。
  論文  参考訳（メタデータ） (2026-08-04T07:35:57Z)
• DWT-Fusion: A Signal-Based Framework for Training-Free LLM-Generated Text Detection [0.0]
  LLM生成テキストを検出するトレーニングフリーな信号ベースフレームワークであるDWT-Fusionを紹介する。 プロキシ因果言語モデルによって生成されるトークンレベルのログ確率シーケンスを分析する。 検出信号は局所的な確率力学から導かれる。
  論文  参考訳（メタデータ） (2026-07-24T06:48:22Z)
• Heterogeneous 2D/1D Signal Representation Fusion for Underwater Acoustic Modulation Recognition Under Distribution Shift [14.066845914592564]
  変調認識システムは異種信号表現に依存している。 SCP-TriCA は STFT, cyclostationary, P2/P4 (2階および4階のパワースペクトル) を階層的に融合する。 UAMR-ShiftBenchでは、SCP-TriCAは95.33%の分配精度と74.59%のシミュレーションOOD平均を達成した。
  論文  参考訳（メタデータ） (2026-06-08T11:13:05Z)
• Scaling Open Discrete Audio Foundation Models with Interleaved Semantic, Acoustic, and Text Tokens [62.56027815951259]
  現在のオーディオ言語モデルは、主にテキストファーストであり、事前訓練されたテキストLLMバックボーンを拡張するか、意味のみのオーディオトークンに依存する。 本稿では,大規模音声に次トーケン予測を適用したネイティブオーディオ基礎モデルの系統的研究を行った。
  論文  参考訳（メタデータ） (2026-02-18T18:32:46Z)
• AHELM: A Holistic Evaluation of Audio-Language Models [78.20477815156484]
  マルチモーダルオーディオ言語モデル(ALM)は、インターリーブされた音声とテキストを入力および出力テキストとして取り込む。 AHELMは、PARADEとCoRe-Benchと呼ばれる2つの新しい合成オーディオテキストデータセットを含む、さまざまなデータセットを集約するベンチマークである。 また、モデル間の等価比較を確保するために、プロンプト、推論パラメータ、評価指標を標準化する。
  論文  参考訳（メタデータ） (2025-08-29T07:40:39Z)
• ECHO: Frequency-aware Hierarchical Encoding for Variable-length Signals [8.411477071838592]
  本稿では,周波数位置埋め込みと高度なバンド分割アーキテクチャを組み合わせた新しい基礎モデルECHOを提案する。 本手法は,様々な種類の機械信号データセットを用いて評価する。
  論文  参考訳（メタデータ） (2025-08-20T13:10:44Z)
• Acoustic Classification of Maritime Vessels using Learnable Filterbanks [0.0]
  異なる記録シナリオにまたがって頑健な性能を有するディープラーニングモデルを提案する。 我々のモデルであるCATFISHは、ジョージア海峡のVTUADハイドロフォン記録に基づいて、最先端の96.63パーセントのテスト精度を達成する。
  論文  参考訳（メタデータ） (2025-05-29T19:41:15Z)
• MIMO-DoAnet: Multi-channel Input and Multiple Outputs DoA Network with Unknown Number of Sound Sources [56.41687729076406]
  近年のニューラルネットワークに基づくDorion of Arrival (DoA)推定アルゴリズムは,未知数の音源シナリオでよく機能している。 これらのアルゴリズムは通常、MISOと呼ばれる単一の出力(全ソースの空間的擬似スペクトル(SPS))にマルチチャンネルオーディオ入力をマッピングすることで達成される。 本稿では,SPS SPIE-DoAnetと呼ばれる新しいマルチチャネル入力と複数出力DoAネットワークを提案し,これらの制約に対処する。
  論文  参考訳（メタデータ） (2022-07-15T06:18:00Z)

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。