論文の概要: Image Clustering with Vision-Language Model Embeddings

• arxiv url: http://arxiv.org/abs/2610.33265v1
• Date: Fri, 23 Oct 2026 20:21:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.286229
• Title: Image Clustering with Vision-Language Model Embeddings
• Title（参考訳）: 視覚言語モデル埋め込みを用いた画像クラスタリング
• Abstract要約: 7つのイメージベンチマークと4つのクラスタリング構成の9つの表現パイプラインを比較した。 8つのパイプラインは視覚のみの参照を含む視覚的特徴を抽出する。 凝集クラスタリングが固定されたQwen3-VLは、5つのデータセット上で最高の調整されたRand index(ARI)を達成する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Pretrained vision-language models provide image representations whose suitability for clustering may vary with feature extraction, image domain, and partitioning algorithm. We compare nine representation pipelines across seven image benchmarks and four clustering configurations, yielding 252 baseline combinations. Eight pipelines extract visual features, including two vision-only references; the ninth generates descriptions and embeds the resulting text. With agglomerative clustering (Ward linkage) fixed, Qwen3-VL achieves the highest adjusted Rand index (ARI) on five datasets, including 0.925 on MNIST, while BLIP-2 leads on CIFAR-10 and CIFAR-100 with ARIs of 0.925 and 0.591, respectively. A separate sensitivity analysis compares raw and L2-normalized embeddings at their original dimensionality across all 63 dataset-representation pairs. Normalization preserves the highest-ARI representation in every dataset, increases ARI in 35 pairs, decreases it in 26, and leaves two numerically unchanged. On the SVHN dataset, the highest ARI remains low, rising from 0.097 to 0.098 after normalization. The evaluated caption-mediated pipeline obtains relatively high ARI on isolated digits but does not consistently exceed direct visual features. These findings support selecting and evaluating complete representation-clustering pipelines for the intended domain, with explicit attention to extraction and normalization choices.
• Abstract（参考訳）: 事前訓練された視覚言語モデルは、特徴抽出、画像領域、分割アルゴリズムによってクラスタリングに適した画像表現を提供する。 7つのイメージベンチマークと4つのクラスタリング構成の9つの表現パイプラインを比較し、252のベースラインの組み合わせを得た。 8つのパイプラインは視覚のみの参照を含む視覚的特徴を抽出する。 Qwen3-VLは集合的クラスタリング(Ward Linkage)を固定し、MNISTの0.925を含む5つのデータセット上で最高調整されたRand index(ARI)を達成し、BLIP-2はそれぞれ0.925と0.591のARIでCIFAR-10とCIFAR-100をリードする。 別個の感度解析では、63のデータセット表現対の原次元とL2の正規化埋め込みを比較している。 正規化は全てのデータセットにおいて最高 ARI 表現を保持し、35対で ARI を増加させ、26 で減少させ、2 つの数値的変化を残している。 SVHNデータセットでは、ARIが最も低く、正規化後の0.097から0.098まで上昇している。 評価されたキャプション媒介パイプラインは、分離された桁に対して比較的高いARIを得るが、常に直接視覚的特徴を超えない。 これらの知見は、目的領域に対する完全な表現クラスタリングパイプラインの選択と評価をサポートし、抽出と正規化の選択に明確な注意を払っている。

関連論文リスト

• Evidence-Guided Selection of Retinal Vessel Segmentation Pipelines: A Cross-Dataset Benchmark of Performance, Structure, Failure Modes, and Reproducibility [16.365438393319724]
  6つの公開データセットから244枚の画像から,5つのバイナリコンテナ分割パイプライン(FSG-Net, SA-UNetv2, DCP-1024, GAVE, FR-UNet)を評価した。 結果はデータセット間で等しい重み付けで集約された。
  論文  参考訳（メタデータ） (2026-10-22T13:10:47Z)
• FLAT: Resampling Image and Text into 1D Flexible-Length Aligned Transmodal Tokens for Retrieval and Generation [29.59094476146176]
  Flatは、共有マルチモーダルエンコーダと、下流のテキスト・トゥ・イメージ(T2I)と画像・トゥ・テキスト(I2T)デコーダを共同で最適化する、表現事前トレーニングフレームワークである。 単一の事前学習段階により、FLATは可変プレフィックスKをまたいでクロスモーダル検索および生成を行い、T2I GenEvalスコア71.1を達成する。
  論文  参考訳（メタデータ） (2026-09-15T03:35:59Z)
• Generative Semantic Segmentation via an Observable Semantic-Image Interface and Hierarchical Generator Evidence Alignment [1.6199400106794555]
  生成的セマンティックセグメンテーションは、構造化された予測を画像として公開するが、直接カラーデコーディングは、色ドリフトと境界ミキシングの影響を受けやすい。 本稿では,セマンティック・プリズム(Semantic Prism)を提案する。
  論文  参考訳（メタデータ） (2026-08-12T01:00:04Z)
• qZACH-ViT: Quantization-Aware Intrinsic Explanations with Recursive Attribution-Stabilized Optimization [0.0]
  ゼロトケンフリーなZACH-ViTバックボーンの量子化対応拡張であるqZACH-ViTを導入する。 帰納的属性安定化最適化(RASO)も導入する。 我々は,クラス毎に50のトレーニング画像と10の固定種子を用いて,7つのMedMNISTデータセットに対して4つの制御条件を評価する。
  論文  参考訳（メタデータ） (2026-07-16T19:51:48Z)
• Benchmarking Patent Embeddings: A Multi-Task Evaluation of 22 Models Across Retrieval, Classification, and Clustering [0.0]
  我々は,情報検索,分類,クラスタリングという3つのタスクに対して,事前学習した22の埋め込みモデルを評価する。 2つの結果は、一般的な知恵に疑問を投げかけている。
  論文  参考訳（メタデータ） (2026-05-22T23:51:13Z)
• ClusterFormer: Clustering As A Universal Visual Learner [80.79669078819562]
  CLUSTERFORMERは、トランスフォーマーを用いたCLUSTERingパラダイムに基づくユニバーサルビジョンモデルである。 不均一な視覚タスクに様々なレベルのクラスタリングの粒度で対処することができる。 その有効性のために、コンピュータビジョンにおける普遍モデルにおけるパラダイムシフトを触媒できることを期待します。
  論文  参考訳（メタデータ） (2023-09-22T22:12:30Z)
• T-MARS: Improving Visual Representations by Circumventing Text Feature Learning [99.3682210827572]
  LAIONの画像の40%近くは、字幕と重なるテキストを含んでいるという、我々の観察に動機づけられた新しいデータフィルタリング手法を提案する。 我々のシンプルでスケーラブルなアプローチであるT-MARSは、テキストが残りの視覚的特徴を支配するペアのみをフィルタリングします。
  論文  参考訳（メタデータ） (2023-07-06T16:59:52Z)
• Global Context Vision Transformers [78.5346173956383]
  我々は,コンピュータビジョンのパラメータと計算利用を向上する新しいアーキテクチャであるGC ViT(Global context vision transformer)を提案する。 本稿では,ViTにおける帰納バイアスの欠如に対処し,アーキテクチャにおける可溶性逆残差ブロックを改良して活用することを提案する。 提案したGC ViTは,画像分類,オブジェクト検出,セマンティックセマンティックセグメンテーションタスクにまたがる最先端の処理結果を実現する。
  論文  参考訳（メタデータ） (2022-06-20T18:42:44Z)

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。