論文の概要: Seeing Before Naming: Context-Grounded Learning of Novel Visual Concepts
- arxiv url: http://arxiv.org/abs/2610.34846v1
- Date: Mon, 26 Oct 2026 04:55:38 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-27 22:27:13.75432
- Title: Seeing Before Naming: Context-Grounded Learning of Novel Visual Concepts
- Title（参考訳）: ナーミングの前に見る:新しい視覚概念の文脈学習
- Abstract要約: 事前学習された視覚言語モデルは、ターゲット概念の弱いテキストアンカーを提供しながら、識別画像の特徴を保持することができる。
文脈的セマンティックアンカリングにより、この不均衡に対処する。
我々のフレームワークであるSynerNetは、概念固有の名前埋め込みを学び、それらを互換性のある言語コンテキストに公開し、視覚的エビデンスに表現する。
- 参考スコア（独自算出の注目度）: 0.08594140167290097
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Learning an unfamiliar visual category requires more than adapting a classifier: the model must connect its visual evidence to a useful semantic name. A pre-trained vision-language model can retain discriminative image features while providing a weak textual anchor for the target concept. We address this imbalance through context-grounded semantic anchoring. Our framework, SynerNet, learns concept-specific name embeddings, exposes them to compatible linguistic contexts, and conditions their representations on visual evidence. Difficulty-aware processing and adaptive objective weighting coordinate this adaptation while retaining the pre-trained backbone. On four VISTA-Beyond domains, SynerNet reaches a mean 16-shot accuracy of 74.35%, compared with 72.45% for few-shot name learning. Across 14 domains in the name-masked transfer setting, it improves mean accuracy from 45.17% to 46.74%. Ablations identify concept-specific name embeddings and cross-modal context integration as important components. These results support treating concept acquisition as the construction of visually grounded semantic anchors.
- Abstract（参考訳）: 不慣れな視覚カテゴリーを学ぶには、分類器を適応させる以上のことが必要であり、そのモデルは視覚的証拠を有用な意味名に結びつける必要がある。
事前学習された視覚言語モデルは、ターゲット概念の弱いテキストアンカーを提供しながら、識別画像の特徴を保持することができる。
文脈的セマンティックアンカリングにより、この不均衡に対処する。
我々のフレームワークであるSynerNetは、概念固有の名前埋め込みを学び、それらを互換性のある言語コンテキストに公開し、視覚的エビデンスに表現する。
難解な処理と適応的対象重み付けは、トレーニング済みのバックボーンを保持しながら、この適応を調整する。
4つのVISTA-Beyondドメインでは、SynerNetは平均16ショットの精度が74.35%に達している。
名前付き転送設定の14ドメインにわたって、平均精度は45.17%から46.74%に向上する。
アブレーションは概念固有の名前埋め込みと、モーダルなコンテキスト統合を重要なコンポーネントとして識別する。
これらの結果は、概念獲得を視覚的に接地されたセマンティックアンカーの構築として支援する。
関連論文リスト
- Rewrite Caption Semantics: Bridging Semantic Gaps for
Language-Supervised Semantic Segmentation [100.81837601210597]
本研究では,事前学習データにおける視覚的意味論とテキスト的意味論のギャップを埋めるための概念キュレーション(CoCu)を提案する。
CoCuは、最高にゼロショット転送性能を達成し、言語教師ありセグメンテーションベースラインを大きなマージンで大幅に向上させる。
論文 参考訳（メタデータ） (2023-09-24T00:05:39Z) - VGSE: Visually-Grounded Semantic Embeddings for Zero-Shot Learning [113.50220968583353]
ゼロショット学習のための識別的視覚特性を含むセマンティック埋め込みを発見することを提案する。
本モデルでは,画像の集合を視覚的類似性に応じて局所的な画像領域の集合に視覚的に分割する。
視覚的に接地されたセマンティック埋め込みは、様々なZSLモデルにまたがる単語埋め込みよりも、大きなマージンで性能を向上することを示した。
論文 参考訳（メタデータ） (2022-03-20T03:49:02Z) - Learning Representations by Predicting Bags of Visual Words [55.332200948110895]
自己教師付き表現学習ターゲットは、ラベルなしデータから畳み込みに基づく画像表現を学習する。
この分野におけるNLP手法の成功に触発された本研究では,空間的に高密度な画像記述に基づく自己教師型アプローチを提案する。
論文 参考訳（メタデータ） (2020-02-27T16:45:25Z)
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。