論文の概要: Synthetic-to-Real Text-Based Person Anomaly Search via Multi-Model Retrieval Fusion and Cross-Encoder Reranking

• arxiv url: http://arxiv.org/abs/2610.31930v1
• Date: Thu, 22 Oct 2026 21:19:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 01:38:06.297101
• Title: Synthetic-to-Real Text-Based Person Anomaly Search via Multi-Model Retrieval Fusion and Cross-Encoder Reranking
• Title（参考訳）: マルチモデル検索融合とクロスエンコーダによるテキスト・テキスト・ベースの人物異常検索
• Abstract要約: テキストベースの人物異常検索は、大きな画像ギャラリーから個人を検索するモデルを必要とする。 本稿では,合成から現実への移動を改善するために,多モデル検索と再ランクフレームワークを提案する。
• 参考スコア（独自算出の注目度）: 5.485404988696882
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Text-based person anomaly search requires a model to retrieve individuals from a large image gallery using natural-language descriptions of both appearance and behavior. This task is challenging because model training relies on synthetic image-text pairs, whereas evaluation is performed on real surveillance images containing domain differences, near-duplicate frames, and many visually similar distractors. We present a multi-model retrieval and reranking framework designed to improve synthetic-to-real transfer. The framework first adapts Qwen3-VL-Embedding-8B to synthetic person descriptions using bidirectional contrastive learning, explicit negative sampling, false-negative masking, and domain randomization. It then combines the normalized scores of six complementary Qwen3-VL checkpoints with those of a frozen SigLIP2 model using four-view gallery encoding. The fused retrieval scores identify the strongest candidates, which are jointly evaluated with the query using Qwen3-VL-Reranker-8B. The cross-encoder and retrieval scores are subsequently blended to produce the final ranking. We also construct a distractor-matched validation protocol entirely from synthetic data to select checkpoint weights, fusion coefficients, candidate depths, and reranking parameters without accessing the official test images. The final system achieves 94.7815% mAP and 90.8493% R@1 under the official AI City Challenge 2026 Track 4 test setting, with a reported eighth-place finish on the public leaderboard.
• Abstract（参考訳）: テキストベースの人物異常検索は、外見と行動の両方を自然言語で記述することで、大きな画像ギャラリーから個人を検索するモデルを必要とする。 この課題は、モデルトレーニングが合成画像とテキストのペアに依存しているのに対して、ドメイン差、ほぼ重複フレーム、視覚的に類似した多くのイントラクタを含む実際の監視イメージに対して評価を行うためである。 本稿では,合成から現実への移動を改善するために,多モデル検索と再ランクフレームワークを提案する。 このフレームワークはQwen3-VL-Embedding-8Bを、双方向のコントラスト学習、明示的なネガティブサンプリング、偽陰性マスキング、ドメインランダム化を用いた合成人記述に適用する。 次に、4ビューのギャラリーエンコーディングを使用して、6つの補完的なQwen3-VLチェックポイントの正規化スコアと凍結されたSigLIP2モデルのスコアを組み合わせる。 融合検索スコアは、Qwen3-VL-Reranker-8Bを用いて、クエリと共同で評価される最強候補を特定する。 その後、クロスエンコーダと検索スコアをブレンドして最終ランク付けを行う。 また,テスト画像にアクセスすることなく,チェックポイント重み,融合係数,候補深度,パラメータの再評価を行うために,合成データから完全にトラクタ整合検証プロトコルを構築した。 最終システムは、公式のAIシティチャレンジ2026トラック4テストセッティングで94.7815% mAPと90.8493% R@1を達成した。

関連論文リスト

• FaLCon: Facet-Anchored Retrieval with Late Consensus for Sim2Real Text-Based Person Anomaly Search [0.8609344172589112]
  テキストベースの人物異常検索では、詳細な自然言語記述から現実世界の歩行者画像を取得する必要がある。 このSim2Real設定は、視覚的に類似した候補が微妙なアクション、オブジェクトのインタラクション、外観属性でのみ異なる可能性があるため、特に難しい。 本稿では,大域的意味マッチングと細粒度検証を組み合わせたアンカー制約付き粗粒度検索フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-08-10T11:42:52Z)
• Adapting Dual-encoder Vision-language Models for Paraphrased Retrieval [55.90407811819347]
  モデルが類似した結果を返すことを目的とした,パラフレーズ付きテキスト画像検索の課題について考察する。 我々は、大きなテキストコーパスで事前訓練された言語モデルから始まる二重エンコーダモデルを訓練する。 CLIPやOpenCLIPのような公開デュアルエンコーダモデルと比較して、最高の適応戦略で訓練されたモデルは、パラフレーズクエリのランク付けの類似性を大幅に向上させる。
  論文  参考訳（メタデータ） (2024-05-06T06:30:17Z)
• Learning from Synthetic Data for Visual Grounding [55.21937116752679]
  そこで本研究では,SynGroundが市販のビジョン・アンド・ランゲージモデルのローカライズ能力を向上できることを示す。 SynGroundで生成されたデータは、事前訓練されたALBEFモデルとBLIPモデルのポインティングゲーム精度をそれぞれ4.81%、絶対パーセンテージポイント17.11%向上させる。
  論文  参考訳（メタデータ） (2024-03-20T17:59:43Z)
• Automatic Synthetic Data and Fine-grained Adaptive Feature Alignment for Composed Person Retrieval [20.225737169253826]
  本稿では,大規模人物画像データベースから興味のある人物を特定するために,視覚的・テキスト的クエリを組み合わせた新しい人物検索タスクを提案する。 CPRタスクの最大の難しさは、利用可能な注釈付きデータセットがないことだ。 マルチモーダルフィルタリング法は、結果のSynCPRデータセットが1.15百万の高品質で完全な合成三重項を保持するように設計されている。
  論文  参考訳（メタデータ） (2023-11-25T14:24:49Z)
• Contrastive Transformer Learning with Proximity Data Generation for Text-Based Person Search [60.626459715780605]
  記述的なテキストクエリーを与えられたテキストベースの人物検索は、画像ギャラリーからベストマッチした人物を検索することを目的としている。 このようなクロスモーダル検索タスクは、重要なモダリティギャップ、きめ細かい相違、注釈付きデータの不十分さのため、かなり難しい。 本稿では,テキストに基づく人物検索のための2つのトランスフォーマーモデルを提案する。
  論文  参考訳（メタデータ） (2023-11-15T16:26:49Z)
• Noisy-Correspondence Learning for Text-to-Image Person Re-identification [50.07634676709067]
  本稿では,雑音対応においても頑健な視覚関係を学習するための新しいロバスト二重埋め込み法(RDE)を提案する。 提案手法は,3つのデータセット上での合成ノイズ対応と非合成ノイズ対応を両立させる。
  論文  参考訳（メタデータ） (2023-08-19T05:34:13Z)
• Explore the Power of Synthetic Data on Few-shot Object Detection [27.26215175101865]
  Few-shot Object Detection (FSOD) は、トレーニングのいくつかの例に限って、新しいカテゴリのオブジェクト検出器を拡張することを目的としている。 近年のテキスト・画像生成モデルでは,高品質な画像を生成する上で有望な結果が得られている。 この研究は、最先端のテキスト・ツー・イメージ・ジェネレータから生成された合成画像がFSODタスクにどのように貢献するかを幅広く研究している。
  論文  参考訳（メタデータ） (2023-03-23T12:34:52Z)
• GLIDE: Towards Photorealistic Image Generation and Editing with Text-Guided Diffusion Models [16.786221846896108]
  テキスト条件画像合成問題に対する拡散モデルについて検討し、2つの異なるガイダンス戦略を比較した。 後者は、フォトリアリズムとキャプションの類似性の両方において、人間の評価者によって好まれており、しばしばフォトリアリスティックなサンプルを生成する。 我々のモデルは、画像のインペイントを行うように微調整することができ、強力なテキスト駆動画像編集を可能にします。
  論文  参考訳（メタデータ） (2021-12-20T18:42:55Z)
• DeepI2P: Image-to-Point Cloud Registration via Deep Classification [71.3121124994105]
  DeepI2Pは、イメージとポイントクラウドの間のクロスモダリティ登録のための新しいアプローチです。 本手法は,カメラとライダーの座標フレーム間の相対的剛性変換を推定する。 登録問題を分類および逆カメラ投影最適化問題に変換することで難易度を回避する。
  論文  参考訳（メタデータ） (2021-04-08T04:27:32Z)

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。