論文の概要: The Gap Is in the Geometry: A Convergent Meta-Analysis of Multi-Facet Aerial and Remote Sensing Video Understanding
- arxiv url: http://arxiv.org/abs/2610.19102v1
- Date: Tue, 13 Oct 2026 19:39:34 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-15 21:06:15.773316
- Title: The Gap Is in the Geometry: A Convergent Meta-Analysis of Multi-Facet Aerial and Remote Sensing Video Understanding
- Title（参考訳）: 幾何学のギャップ:多面的空中およびリモートセンシングビデオ理解の収束メタ分析
- Abstract要約: 空中およびリモートセンシングビデオは、Webビデオのようにますます評価されている。
本稿は、このレシピが間違った側面を測っていることを主張する。
AVU-Cardは、空中ビデオベンチマーク用のレポーティングカードである。
- 参考スコア（独自算出の注目度）: 8.120395113963628
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Aerial and remote sensing video is increasingly evaluated like web video, by posing multiple-choice questions to multimodal large language models (MLLMs) over sampled frames and reporting accuracy. This paper argues that this recipe measures the wrong aspect, and supports the claim with a convergent meta-analysis of a broad set of published results, organized in four evidence tiers, in which a claim becomes a position only when collected evidence agrees. Parameter scale exhibits a median of +3.4 accuracy points per tenfold increase on aerial benchmarks, far below a human gap of at least 19 points, whereas acquisition conditions control perception, as 315 of 318 evaluations in 19 within-paper contrasts lose accuracy when conditions such as altitude, view, object size or time horizon become harder. No aerial benchmark in the corpus combines video input with per-task human and random baselines, competence collapses from answering to acting in closed-loop navigation, and the same MLLMs score higher on the aerial benchmark than on ground spatial ones, but lower on studies that test cross-view geometry. From these findings the current study derives five falsifiable principles and proposes the AVU-Card, a reporting card for aerial video benchmarks
- Abstract（参考訳）: マルチモーダルな大言語モデル (MLLM) に複数選択の疑問を呈し、サンプルフレーム上での精度を報告することにより、Webビデオのように、空中およびリモートセンシングビデオはますます評価される。
本稿では,このレシピが間違った側面を計測し,収集された証拠が一致する場合にのみ主張が位置づけられる4つのエビデンス層に編成された,幅広い結果のメタアナリシスによる主張を支持する。
パラメータスケールは、少なくとも19ポイントの人的ギャップよりもはるかに低い10倍の精度で+3.4の精度を示し、一方、取得条件は、19の紙内コントラストにおける318の評価のうち315は、高度、ビュー、オブジェクトサイズ、時間地平線などの条件が困難になると精度が低下する。
コーパス内の空中ベンチマークでは、ビデオ入力とタスクごとの人間とランダムなベースラインを組み合わせることはなく、クローズドループナビゲーションにおける応答から行動へのコンピテンス崩壊、地上空間のベンチマークでは同じMLLMスコアが高いが、クロスビュー幾何学をテストする研究では低い。
これらの結果から,本研究は5つの基本原理を導出し,空中ビデオベンチマークのレポートカードであるAVU-Cardを提案する。
関連論文リスト
- Does Local Video Understanding Transfer Across Encounters? The EgoGears Benchmark [73.41679841824603]
クロスビデオ精度は、局所的な知覚の失敗と観察のアイデンティティを保持する失敗を混同する。
EgoGearsは、この移行を診断するために設計された、補完的なシングルビデオとマルチビデオのベンチマークである。
論文 参考訳（メタデータ） (2026-09-29T16:20:01Z) - What Do Interaction Representations Actually Measure? Pre-Event Separability in Weakly-Supervised Violence Detection [0.0]
人工的な人間のポーズは、粗い空間的関係を超えた詳細な身体構成情報を提供する。
粗いバウンディングボックス形状にまたがる5つの相互作用表現、マッチした手作りポーズアナログ、リッチなポーズ記述子、マッチした容量エンコーダを比較した。
ポーズに基づく表現は粗い幾何学よりも優れることはないが、15の異常なビデオでは、この部分集合は小さな効果を排除できない。
論文 参考訳（メタデータ） (2026-08-28T03:39:41Z) - FORGE: Frame Orthogonality in Relevance Geometry for Long-Form Video Understanding [6.929741688224915]
FORGEは、事前訓練されたマルチモーダル埋め込み空間上でクエリ条件付き幾何を誘導するモデルに依存しない手法である。
16,32,64フレームの予算での Video-MME と LongVideoBench の実験は、ForGE が最強のトレーニングフリーベースラインよりも11.0-15.3 ポイント向上したことを示している。
その結果,埋め込み空間とクエリの高次元構造との整合性は,推論時間による映像理解に有望な方向であることが示唆された。
論文 参考訳（メタデータ） (2026-07-28T04:09:49Z) - ReVSI: Rebuilding Visual Spatial Intelligence Evaluation for Accurate Assessment of VLM 3D Reasoning [59.558706734431276]
空間知能の現在の評価は、現代の視覚言語モデル(VLM)設定下で体系的に無効にすることができる。
本稿では,各QAペアが実際の入力の下で応答可能で正しいことを保証するためのベンチマークとプロトコルであるReVSIを紹介する。
論文 参考訳（メタデータ） (2026-04-27T10:45:51Z) - VidNum-1.4K: A Comprehensive Benchmark for Video-based Numerical Reasoning [0.0]
ビデオベースの数値推論は、ビジョン・ランゲージ・モデル(VLM)が真に現実世界の力学を「理解」しているかどうかをテストするための最前線である。
我々は1,379人の厳密な人間によるビデオ検索ペアからなる総合的なビデオQAベンチマークであるVidNum-1.4Kを紹介した。
論文 参考訳（メタデータ） (2026-04-04T12:10:09Z) - MMSI-Video-Bench: A Holistic Benchmark for Video-Based Spatial Intelligence [61.065486539729875]
MMSI-Video-Bench(MMSI-Video-Bench)は、MLLMにおけるビデオベースの空間知能の完全な人為的なベンチマークである。
4段階のフレームワークである知覚、計画、予測、クロスビデオ推論を運用しており、1,278のクリップで1,106の質問を下敷きにしている。
オープンソースとプロプライエタリなMLLMを25種類評価し,AIギャップが顕著であることを明らかにした。
論文 参考訳（メタデータ） (2025-12-11T17:57:24Z) - VideoScore2: Think before You Score in Generative Video Evaluation [69.43069741467603]
VideoScore2は、視覚的品質、テキスト・ツー・ビデオのアライメント、物理的/常識的一貫性を明確に評価する多次元、解釈可能、そして人間によるアライメントフレームワークである。
我々のモデルは、27,168人の注釈付きビデオを含む大規模なデータセットVideoFeedback2で訓練されている。
論文 参考訳（メタデータ） (2025-09-26T18:09:03Z) - MAGNET: A Multi-agent Framework for Finding Audio-Visual Needles by Reasoning over Multi-Video Haystacks [67.31276358668424]
AV-HaystacksQAという新しいタスクを導入し、クエリに応答して、異なるビデオにまたがる有能なセグメントを識別し、それらをリンクして最も有意義な回答を生成する。
AVHaystacksは、マルチビデオ検索および時間的グラウンドタスクにおけるLMMの能力を評価するために設計された3100の注釈付きQAペアからなるオーディオビジュアルベンチマークである。
提案するAVHaystackのQAタスクにおけるBLEU@4およびGPT評価スコアの基準値よりも89%と65%の相対的な改善を実現し、モデルに依存しないマルチエージェントフレームワークを提案する。
論文 参考訳（メタデータ） (2025-06-08T06:34:29Z)
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。