論文の概要: DICL-Qwen3VL: Decoupled Confidence Calibration for Interpretable Workwear Detection
- arxiv url: http://arxiv.org/abs/2610.22929v1
- Date: Fri, 16 Oct 2026 04:46:20 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-20 00:56:07.766424
- Title: DICL-Qwen3VL: Decoupled Confidence Calibration for Interpretable Workwear Detection
- Title（参考訳）: DICL-Qwen3VL: 解釈可能なワークウェア検出のための分離信頼度校正
- Abstract要約: 構造化されたワークウェアの検出,エビデンス生成,視覚的および推論的信頼推定を統合した,分離された解釈可能なVLMであるDICL-Qwen3VLを提案する。
このフレームワークは、産業安全監視のマニュアルレビューをサポートするために、明確な証拠と信頼性スコアも提供する。
- 参考スコア（独自算出の注目度）: 14.050535727828942
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Poor illumination and occlusion obscure clothing cues in indoor work sites, while diverse clothing styles complicate workwear compliance judgments. Although vision-language models (VLMs) support localization and semantic reasoning, their predictions often lack explicit supporting evidence, and a single confidence score cannot distinguish visual uncertainty from ambiguity in compliance judgments. We propose DICL-Qwen3VL, a decoupled interpretable VLM that integrates structured workwear detection, evidence generation, and separate visual and reasoning confidence estimates. First, low-rank adaptation (LoRA) adapts Qwen3-VL to localize visible upper-body clothing and identify workwear. Second, decoupled calibration separates visual observations from compliance reasoning and assigns a confidence score to each. Token entropy and sensitivity to image perturbations provide supervision for visual confidence, linking confidence estimation to the generated observations and their dependence on image content. Finally, group relative policy optimization (GRPO) jointly optimizes detection accuracy, output validity, and confidence calibration. Experiments on the company-collected Indoor Construction Site Workwear Dataset (ICSWD) and the web-collected Indoor Construction Workwear Dataset (WICWD) yield mAP@50 values of 0.730 and 0.753, respectively, outperforming the evaluated LoRA-adapted VLM baselines, including Qwen3-VL. The framework also provides explicit evidence and separate confidence scores to support manual review in industrial safety monitoring. WICWD is publicly available at https://github.com/DaErwen1/WICWD.
- Abstract（参考訳）: 室内の作業現場では、照明や隠蔽などの不明瞭な衣服が着用されるのに対して、多様な衣服スタイルは、ワークウェアの遵守判断を複雑にしている。
視覚言語モデル(VLM)は、ローカライゼーションとセマンティック推論をサポートしているが、その予測には明確な証拠が欠けていることが多く、単一の信頼スコアは、コンプライアンス判断の曖昧さと視覚的不確実性を区別できない。
構造化されたワークウェアの検出,エビデンス生成,視覚的および推論的信頼推定を統合した,分離された解釈可能なVLMであるDICL-Qwen3VLを提案する。
第一に、ローランク適応(LoRA)はQwen3-VLに適応し、目に見える上半身の衣服をローカライズし、ワークウェアを識別する。
第2に、分離された校正は、コンプライアンス推論から視覚的観察を分離し、それぞれに信頼スコアを割り当てる。
トケエントロピーとイメージ摂動に対する感受性は、視覚的信頼の監督を提供し、生成した観察とそれらの画像内容への信頼度推定をリンクする。
最後に、グループ相対ポリシー最適化(GRPO)は、検出精度、出力妥当性、信頼性の校正を共同で最適化する。
WICWD(Webcollected Indoor Construction Site Workwear Dataset)とWICWD(Webcollected Indoor Construction Workwear Dataset)の実験では、それぞれ0.730と0.753のmAP@50値が得られた。
このフレームワークは、産業安全監視のマニュアルレビューをサポートするために、明確な証拠と信頼性スコアも提供する。
WICWDはhttps://github.com/DaErwen1/WICWDで公開されている。
関連論文リスト
- VALCON: Benchmarking and Enhancing Value Consistency in Large Language Models via Dual-Role Variation [50.26484893435373]
大規模言語モデル(LLM)の現在の値アライメント評価は、出力コンプライアンスに大きく依存している。
本稿では,価値の一貫性を3つのベンチマークスイートにまとめる役割駆動型データ構築フレームワークであるVALCONを提案する。
我々の研究は、価値の一貫性を異なるアライメントの次元として確立し、完全な評価・分析・軽減パイプラインを提供する。
論文 参考訳（メタデータ） (2026-10-15T05:52:52Z) - Can You Trust the Confidence? ConfBench for Vision-Language Models on Document Extraction [13.176724997257802]
既存のドキュメントベンチマークはクリーンで高品質なサンプルによって支配されています。
鍵情報抽出のための最初のキャリブレーション特化ベンチマークであるConfBenchを紹介する。
我々は,言語的および対数確率的信頼度推定法により,プロプライエタリな4つのVLMとオープンウェイトな3つのVLMを評価した。
論文 参考訳（メタデータ） (2026-08-03T07:03:51Z) - TrustVLA: Mechanism-Guided Inference-Time Defense Against Vision-Language-Action Backdoors [54.12833308568015]
VLA(Vision-Language-Action)モデルは、エンドユーザが監査できないパイプラインを通じてデプロイされる。
小さな視覚トリガーは、障害が観測可能である前に、長い水平ロボットポリシーをリダイレクトする。
個別に提案した2つのVLA攻撃を通してこのギャップについて検討した。
論文 参考訳（メタデータ） (2026-07-14T09:43:52Z) - Trust but Verify: Introducing DAVinCI -- A Framework for Dual Attribution and Verification in Claim Inference for Language Models [53.279391576560755]
大規模言語モデル(LLM)は、広範囲のNLPタスクにおいて顕著な流速と汎用性を示してきたが、実際的な不正確さと制限が伴う傾向にある。
これは、信頼と妥当性が最優先される医療、法律、科学コミュニケーションといった、高リスク領域に重大なリスクをもたらす。
LLM出力の事実的信頼性と解釈可能性を高めるために設計されたDAVinCI - Dual Attribution and Verificationフレームワークを紹介する。
論文 参考訳（メタデータ） (2026-04-23T01:37:50Z) - VL-Calibration: Decoupled Confidence Calibration for Large Vision-Language Models Reasoning [5.887179947363831]
大規模視覚言語モデル(LVLM)は、強いマルチモーダル推論を実現するが、幻覚や誤った反応を高い確信でしばしば示す。
既存の言語化された信頼度校正法は、主にテキストのみのLLM向けに開発され、通常、バイナリ応答レベルの正しさを使用して単一の総合的な信頼度スコアを最適化する。
本稿では,信頼を視覚的・理性的な信頼に明確に分離する強化学習フレームワークであるVL-Calibrationを提案する。
論文 参考訳（メタデータ） (2026-04-10T17:47:19Z) - LLM-as-Judge for Semantic Judging of Powerline Segmentation in UAV Inspection [8.949920712232585]
本研究では,大型言語モデル(LLM)を意味判断として使用し,ドローン搭載モデルによる電力線分割結果の信頼性を評価することの実現可能性について検討する。
LLMは、視覚的信頼性が低下するにつれて、信頼性の適切な低下を示しながら、同一条件下で非常に一貫した分類学的判断を生成する。
論文 参考訳（メタデータ） (2026-04-07T03:16:44Z) - Grounding the Score: Explicit Visual Premise Verification for Reliable Vision-Language Process Reward Models [8.630726904040781]
EVPV(Explicit Visual Premise Verification)は,ステップが依存する視覚的前提の信頼性を段階的に評価する,軽量な検証インターフェースである。
EVPVはステップレベルの検証を改善し、強いベースラインよりも常にBest-of-Nの精度を向上する。
論文 参考訳（メタデータ） (2026-03-17T08:40:26Z) - Same Answer, Different Representations: Hidden instability in VLMs [65.36933543377346]
本稿では,内部埋め込みドリフト,スペクトル感度,構造的滑らかさを計測する表現認識・周波数認識評価フレームワークを提案する。
このフレームワークを,SEEDBench,MMMU,POPEデータセットを対象とする最新のビジョン言語モデル(VLM)に適用する。
論文 参考訳（メタデータ） (2026-02-06T12:24:26Z) - ReViP: Reducing False Completion in Vision-Language-Action Models with Vision-Proprioception Rebalance [50.05984919728878]
本稿では、視覚的接地と摂動下での堅牢性を高めるために、視覚-受容器リバランスを備えた新しいVLAフレームワークReViPを提案する。
具体的には、タスクステージオブザーバとして外部VLMを使用して、視覚的な観察からリアルタイムなタスク中心の視覚的手がかりを抽出する。
本稿では,オブジェクトドロップのような制御された設定を持つLIBERO上に構築された最初のFalse-Completion Benchmark Suiteを提案する。
論文 参考訳（メタデータ） (2026-01-23T11:31:07Z) - Look As You Think: Unifying Reasoning and Visual Evidence Attribution for Verifiable Document RAG via Reinforcement Learning [55.232400251303794]
Look As You Think (LAT)は、モデルをトレーニングし、一貫した帰属性を持った検証可能な推論パスを生成するための強化学習フレームワークである。
LATはシングルイメージとマルチイメージの両方でバニラモデルを一貫して改善し、平均ゲインは8.23%、IoU@0.5では47.0%となる。
論文 参考訳（メタデータ） (2025-11-15T02:50:23Z) - Object-Level Verbalized Confidence Calibration in Vision-Language Models via Semantic Perturbation [26.580361841501514]
視覚言語モデル(VLM)は様々なマルチモーダルタスクに優れるが、しばしばキャリブレーションに苦しむ。
この誤判定は、特にモデルが不正確または製造された情報を確実に提供した場合、ユーザーの信頼を損なう。
本稿では,文節摂動(CSP)フレームワークを新たに提案し,オブジェクト中心クエリの言語的信頼度を校正する手法を提案する。
論文 参考訳（メタデータ） (2025-04-21T04:01:22Z)
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。