論文の概要: EgoProbe: Benchmarking Long-Range and Exact Memory in Streaming Egocentric Videos

• arxiv url: http://arxiv.org/abs/2610.17128v1
• Date: Mon, 12 Oct 2026 17:18:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-18 03:08:48.745443
• Title: EgoProbe: Benchmarking Long-Range and Exact Memory in Streaming Egocentric Videos
• Title（参考訳）: EgoProbe:エゴセントリックビデオストリーミングにおけるロングランジとエクササイズメモリのベンチマーク
• Abstract要約: EgoProbeは、長距離保持とイベント固有のリコールという2つの相補的な次元に沿って、ストリーミングエゴセントリックメモリを評価するベンチマークである。 EgoProbeは、イベントグラウンドのデータエンジンを使用して、リコール間隔を拡張し、関連するイベントを特定し、イベントグラウンドのイントラクタを構築する。 EgoProbe-Baseは、関連するイベントを介さずに長距離リコールを評価する。
• 参考スコア（独自算出の注目度）: 52.509911270888885
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Egocentric video provides a continuous first-person record of everyday activities, making it a natural foundation for wearable AI assistants. Unlike offline video understanding, streaming systems must process observations as they arrive, while queries may refer to experiences from the distant past. Recent work has begun to explore whether information can be recalled across long temporal gaps. Yet remembering how far is only part of the challenge: recurring objects, actions, and locations also require models to remember exactly which detail belongs to which event. We introduce EgoProbe, a benchmark that evaluates streaming egocentric memory along these two complementary dimensions: long-range retention, i.e., how far, and event-specific recall under interference, i.e., how exact. Built on long-form egocentric videos, EgoProbe uses an event-grounded data engine to extend recall intervals, identify related events, and construct event-grounded distractors, followed by human verification. It contains two subsets: EgoProbe-Base, which evaluates long-range recall without intervening related events, and EgoProbe-Echo, which challenges models with similar intervening events and event-grounded distractors. EgoProbe-Echo adopts coarse-to-fine multi-turn probing: the first turn evaluates coarse-grained event recall, while the second tests whether the model can retrieve the target-specific detail associated with the designated event. Extensive evaluation across diverse models reveals substantial limitations in long-range recall, with further challenges in recovering target-event details among related experiences. Even when models correctly answer coarse-grained questions, they often fail to recall the specific details of the designated event. EgoProbe exposes this underexplored failure mode and provides a testbed for advancing long-range and exact memory in streaming egocentric video understanding.
• Abstract（参考訳）: Egocentric Videoは、日常のアクティビティを継続的にファーストパーソンに記録し、ウェアラブルAIアシスタントの自然な基盤となる。 オフラインの動画理解とは異なり、ストリーミングシステムは到着時に観察を処理しなければならない。 最近の研究は、長い時間的ギャップをまたいで情報をリコールできるかどうかを探求し始めている。 オブジェクト、アクション、ロケーションの繰り返しは、どの詳細がどのイベントに属しているかを正確に記憶するモデルを必要とする。 EgoProbeは、この2つの相補的な次元に沿ってストリーミングエゴセントリックメモリを評価するベンチマークである。 EgoProbeは、イベントグラウンドのデータエンジンを使用して、リコール間隔を延長し、関連するイベントを特定し、イベントグラウンドのイントラクタを構築し、続いて人間の検証を行う。 EgoProbe-Baseは、関連するイベントを介さずに長距離リコールを評価する。 EgoProbe-Echoは粗大なマルチターン探索を採用しており、第1のターンは粗大なイベントリコールを評価し、第2のターンは、指定されたイベントに関連するターゲット固有の詳細を検索できるかどうかをテストする。 多様なモデルにまたがる広範囲な評価により、長距離リコールにおいてかなりの制限が示され、関連する経験間の目標値の詳細を回復する上でさらなる課題が生じる。 モデルが粗い質問に正しく答えたとしても、指定されたイベントの特定の詳細を思い出すことができないことが多い。 EgoProbeはこの未調査の障害モードを公開し、ストリーミングエゴセントリックなビデオ理解において、長距離かつ正確なメモリを前進させるためのテストベッドを提供する。

関連論文リスト

• LongEgoRefer: A Benchmark for Long-Form Egocentric Video Referring Expression Comprehension [41.229006294351315]
  LongEgoReferは、Ego4Dデータセットのロングフォームビデオから構築された新しいベンチマークである。 詳細な言語記述と、長い、ダイナミックなエゴセントリックな物語に埋め込まれた複雑な人間とオブジェクトの相互作用を示す。 それは、イベントが発生したときと、参照対象が拡張されたビデオシーケンス内に現れる場所の両方をモデルが識別する必要がある、要求のある時間的接地問題を定義する。
  論文  参考訳（メタデータ） (2026-07-02T12:32:53Z)
• EgoSAT: A Comprehensive Benchmark of Egocentric Streaming Interaction Understanding [12.811023931580523]
  EgoSATは、ストリーミング設定におけるエゴセントリックなビデオ推論のための、最初の包括的なベンチマークである。 現代の視覚言語モデル(VLM)の能力を評価するために設計された。 EgoSATには165時間のエゴセントリックな映像が1,997本、高品質な質問応答対が約4,800本ある。
  論文  参考訳（メタデータ） (2026-06-23T10:59:25Z)
• EgoMemReason: A Memory-Driven Reasoning Benchmark for Long-Horizon Egocentric Video Understanding [89.26501160264199]
  EgoMemReasonは、メモリ駆動推論を通じて、1週間のエゴセントリックなビデオ理解を体系的に評価する。 EgoMemReasonには3つのメモリタイプと6つのコア課題に関する500の質問が含まれている。 EgoMemReasonをMLLMとエージェントフレームワークにまたがる17の手法で評価する。
  論文  参考訳（メタデータ） (2026-05-11T01:59:59Z)
• Robust Egocentric Referring Video Object Segmentation via Dual-Modal Causal Intervention [58.05340906967343]
  Egocentric Referring Video Object (Ego-RVOS)は、言語クエリで説明されているように、人間のアクションに積極的に関与する特定のオブジェクトを、一人称ビデオに分割することを目的としている。 既存の手法はしばしば苦労し、データセット内の歪んだオブジェクト-アクションのペアリングから急激な相関を学習する。 本稿では,強力なトレーニング済みRVOSをエゴセントリックドメインに適応させるプラグイン因果フレームワークであるCausal-Referring(CERES)を紹介する。
  論文  参考訳（メタデータ） (2025-12-30T16:22:14Z)
• EgoThinker: Unveiling Egocentric Reasoning with Spatio-Temporal CoT [56.24624833924252]
  EgoThinkerは、時間的連鎖管理と2段階の学習カリキュラムを通じて、堅牢なエゴセントリック推論能力を備えたMLを支援するフレームワークである。 EgoThinkerは、複数のエゴセントリックなベンチマークで既存のメソッドよりも優れており、微粒な時間的ローカライゼーションタスクで大幅に改善されている。
  論文  参考訳（メタデータ） (2025-10-27T17:38:17Z)
• Glance and Focus: Memory Prompting for Multi-Event Video Question Answering [36.00733800536469]
  VideoQAは、人間の日常行動を理解するエージェントの能力を評価する重要なツールとして登場した。 人間は一連のエピソード記憶をアンカーとして使い、推論のための質問に関連する重要な瞬間を素早く見つけることで、簡単に対処できる。 この効果的な推論戦略を模倣するGlance-Focusモデルを提案する。
  論文  参考訳（メタデータ） (2024-01-03T03:51:16Z)
• EgoTracks: A Long-term Egocentric Visual Object Tracking Dataset [19.496721051685135]
  身体追跡は多くの自我中心の視覚問題にとって重要な要素である。 EgoTracksは、長期的なエゴセントリックなビジュアルオブジェクトトラッキングのための新しいデータセットである。 本稿では,STARKトラッカーの性能向上を図り,エゴセントリックデータの性能向上を図っている。
  論文  参考訳（メタデータ） (2023-01-09T09:10:35Z)

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。