論文の概要: Vocabulary-Incomplete Unsupervised Vision-Language Model Adaptation

• arxiv url: http://arxiv.org/abs/2610.23919v1
• Date: Mon, 05 Oct 2026 14:58:11 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 15:39:46.640794
• Title: Vocabulary-Incomplete Unsupervised Vision-Language Model Adaptation
• Title（参考訳）: 語彙不完全教師なし視覚言語モデル適応
• Abstract要約: ある現実世界のシナリオでは、ラベル付きデータを取得するのは非常に高価であり、アノテーションなしでモデルを適用することへの関心が高まっている。 本稿では,Vocabulary-Incomplete Unsupervised Vision-lang Model Adaptation (VI-UVA)を提案する。 本稿では,ラベルなしデータから潜在ラベル空間を再構成し,即時チューニングに組み込むラベル空間再構成(LSR)を提案する。
• 参考スコア（独自算出の注目度）: 36.0853247115365
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In certain real-world scenarios, obtaining labeled data is excessively expensive, motivating increasing interest in adapting models without annotations. Vision-language models (VLMs) provide pseudo-labels for unlabeled images through image-text similarity, enabling adaptation without manual labeling. The previous unsupervised vision-language model adaption methods assume access to an adaptation vocabulary containing all class names. However, a complete vocabulary is difficult to construct in real-world scenarios, as unlabeled data may contain classes that are overlooked or fall outside the current task scope. Thus, we propose Vocabulary-Incomplete Unsupervised Vision-language model Adaptation (VI-UVA), where only a subset of class names are available during adaptation. The vocabulary incompleteness induces an adaptation bias toward provided classes, which degrades omitted-class recognition. To address this issue, we propose Label Space Reconstruction (LSR), which reconstructs a latent label space from the unlabeled data and incorporates it into prompt tuning, thereby extending adaptation beyond the incomplete vocabulary and mitigating the adaptation bias. Furthermore, we derive an omitted-class semantic discrepancy bound for LSR and identify the key factors affecting the bound. Extensive experiments across eight benchmarks demonstrate that LSR outperforms existing state-of-the-art methods.
• Abstract（参考訳）: ある現実世界のシナリオでは、ラベル付きデータを取得するのは非常に高価であり、アノテーションなしでモデルを適用することへの関心が高まっている。 視覚言語モデル(VLM)は、画像とテキストの類似性を通じて、ラベルのない画像に擬似ラベルを提供する。 以前の教師なし視覚言語モデル適応法は、すべてのクラス名を含む適応語彙へのアクセスを前提としている。 しかし、ラベルのないデータには現在のタスクスコープの外に見落とされたり落ちたりするクラスが含まれているため、実際のシナリオでは完全な語彙を構築するのは難しい。 そこで,Vocabulary-Incomplete Unsupervised Vision-Language Model Adaptation (VI-UVA)を提案する。 語彙の不完全性は、与えられたクラスに対する適応バイアスを誘導し、省略されたクラス認識を低下させる。 この問題を解決するために,ラベル付きデータから潜在ラベル空間を再構成し,即時チューニングに組み込むラベル空間再構成(LSR)を提案し,不完全語彙を超えて適応を拡大し,適応バイアスを緩和する。 さらに,LSRに制限された省略型意味的不一致を導出し,その境界に影響を及ぼす重要な要因を同定する。 8つのベンチマークによる大規模な実験により、LSRは既存の最先端手法よりも優れていることが示された。

関連論文リスト

• Structured-Condensed Prompt Tuning in Vision-Language Models for Fine-grained Image Recognition [38.294322671641545]
  微粒な画像認識は、手動のアノテーションに必要な相当な専門知識と努力のために重要な課題である。 現在のメソッドでは、クラスラベルを独立した独立したエンティティとして扱い、それらの間のリッチなセマンティックな関係を見渡しています。 本稿では,素早い学習における意味的構造モデリングの強化を目的としたSCPT(Structured-Condensed Prompt Tuning)を提案する。
  論文  参考訳（メタデータ） (2026-07-07T12:09:49Z)
• Vocabulary-free Fine-grained Visual Recognition via Enriched Contextually Grounded Vision-Language Model [52.01031460230826]
  伝統的なアプローチは固定語彙と閉集合分類パラダイムに大きく依存している。 近年の研究では、大規模言語モデルと視覚言語モデル(VLM)を組み合わせることで、オープンセット認識が可能であることが実証されている。 そこで本研究では,精密な視覚認識のための最先端の手法であるEnriched-FineRを提案する。
  論文  参考訳（メタデータ） (2025-07-30T20:06:01Z)
• From Open-Vocabulary to Vocabulary-Free Semantic Segmentation [78.62232202171919]
  オープン語彙セマンティックセグメンテーションにより、モデルはトレーニングデータ以外の新しいオブジェクトカテゴリを識別できる。 現在のアプローチは依然として入力として手動で指定されたクラス名に依存しており、現実世界のアプリケーションに固有のボトルネックを生み出している。 この研究は、定義済みのクラス語彙を必要としない、語彙自由セマンティックパイプラインを提案する。
  論文  参考訳（メタデータ） (2025-02-17T15:17:08Z)
• Vocabulary-free Image Classification and Semantic Segmentation [71.78089106671581]
  本稿では,Vocabulary-free Image Classification (VIC)タスクを導入する。これは,制約のない言語による意味空間から,既知の語彙を必要とせずに,入力画像にクラスを割り当てることを目的としている。 VICは、細かなカテゴリを含む数百万の概念を含む意味空間の広さのために、挑戦的である。 本稿では,事前学習された視覚言語モデルと外部データベースを利用した学習自由度手法CaSEDを提案する。
  論文  参考訳（メタデータ） (2024-04-16T19:27:21Z)
• Virtual Category Learning: A Semi-Supervised Learning Method for Dense Prediction with Extremely Limited Labels [63.16824565919966]
  本稿では,ラベルの修正を伴わずに,混乱したサンプルを積極的に使用することを提案する。 仮想カテゴリー(VC)は、モデルの最適化に安全に貢献できるように、各混乱したサンプルに割り当てられる。 私たちの興味深い発見は、密集した視覚タスクにおけるVC学習の利用に注目しています。
  論文  参考訳（メタデータ） (2023-12-02T16:23:52Z)
• Learning to Name Classes for Vision and Language Models [57.0059455405424]
  大規模な視覚と言語モデルは、クラス固有のテキストクエリを画像コンテンツにマッピングすることで、印象的なゼロショット認識性能を達成することができる。 視覚的コンテンツの機能として,各クラスに対して最適な単語埋め込みを学習するために,利用可能なデータを活用することを提案する。 凍結したモデルに新しい単語の埋め込みを学習することで、新しいクラスに対してゼロショットの能力を保ち、新しいデータセットにモデルを適応しやすくし、潜在的に誤った、非記述的、曖昧なクラス名を調整することができる。
  論文  参考訳（メタデータ） (2023-04-04T14:34:44Z)

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。