論文の概要: Automatic Iconographic Annotation of Medieval Illuminations: Comparing Generative Vision-Language Models and Supervised Discriminative Classifiers

• arxiv url: http://arxiv.org/abs/2610.38462v1
• Date: Wed, 28 Oct 2026 08:38:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-03 10:38:17.759864
• Title: Automatic Iconographic Annotation of Medieval Illuminations: Comparing Generative Vision-Language Models and Supervised Discriminative Classifiers
• Title（参考訳）: 中世イルミネーションの自動イコノグラフィーアノテーション:生成的視覚言語モデルと教師付き識別分類器の比較
• Abstract要約: 中世の写本の大規模なデジタル化は、自動的に図形インデックスを作成する必要性が高まっている。 2,333 TIMELの概念を持つ9,735個のフルオリオ画像に対して,この課題を補完する2つのパラダイムを評価する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: The large-scale digitisation of medieval manuscripts creates a growing need for automated iconographic indexing. We evaluate two complementary paradigms for this task on 9,735 full-folio images annotated with 2,333 TIMEL concepts: generative Vision-Language Models (VLM) and supervised discriminative classifiers (SDC). The VLM experiments evaluate fine-tuning, structured JSON decoding, taxonomybased candidates generation, and deterministic reranking. The discriminative experiments evaluate flat, hierarchy-aware, and patch-attention heads over a frozen DINOv3 encoder. Our results highlight key functional differences: ML-Decoder (SDC) achieves the strongest overall retrieval performance (precision@1 of 0.696, MRR of 0.806), with loss calibration (Asymmetric Loss) serving as the primary performance lever. While SDCs provide superior precision and reliability within a closed vocabulary, VLMs offer strong semantic generalization and broad taxonomic coverage, particularly through structured JSON targets and verify-calibrate reranking (hierarchical F1 of 0.559). Furthermore, model behavior strongly depends on concept abstraction: SDCs excel at perceptually grounded descriptive concepts, whereas VLMs provide useful hypotheses for complex interpretative scenes. Finally, we find that enforcing explicit hierarchy within model architectures limits coverage compared to spatial feature aggregation. Overall, rather than competing approaches, SDCs and VLMs emerge as complementary components for future hybrid indexing systems combining structured retrieval with exploratory annotation assistance. As a methodological contribution, we define the soft F1 metric to provide a taxonomy-aware evaluation that credits semantically close predictions based on lowest common ancestors.
• Abstract（参考訳）: 中世の写本の大規模なデジタル化は、自動的に図形インデックスを作成する必要性を増している。 2,333 TIMELの概念を付加した9,735枚のフルオリオ画像に対して,この課題を補完する2つのパラダイムとして,生成的視覚言語モデル (VLM) と教師付き識別分類器 (SDC) を評価した。 VLM実験は、微調整、構造化されたJSONデコーディング、分類に基づく候補生成、決定論的再分類を評価する。 識別実験は、凍結したDINOv3エンコーダ上でフラット、階層認識、パッチアテンションヘッドを評価する。 ML-Decoder (SDC) は最強の総合検索性能(精度@1, 精度@696, MRR 0.806)を達成し, 損失校正 (非対称ロス) を主性能レバーとして機能する。 SDCはクローズドボキャブラリ内で優れた精度と信頼性を提供するが、VLMは強力なセマンティック・ジェネリゼーションと幅広い分類学的カバレッジを提供する。 さらに、モデル行動は概念抽象に強く依存する: SDCは知覚的に基礎付けられた記述的概念に優れ、VLMは複雑な解釈的シーンに有用な仮説を提供する。 最後に、モデルアーキテクチャ内で明示的な階層を強制することは、空間的特徴集合と比較して範囲を限定することを発見した。 全体として、SDCとVLMは競合するアプローチではなく、構造的検索と探索的アノテーションアシストを組み合わせた将来のハイブリッドインデックスシステムのための補完的なコンポーネントとして出現する。 方法論的貢献として,本研究では,最下位の共通の祖先に基づいて,意味的に密接な予測を信用する分類学的評価を提供するために,ソフトF1尺度を定義した。

関連論文リスト

• IFC-SSL-Bench: Benchmarking Self-Supervised Learning for Annotation-Efficient Multispectral Imaging Flow Cytometry [1.1270379010861842]
  In IFC-SSL-Bench is present IFC-SSL-Bench, a modular framework for a Self-Supervised Learning in IFC。 2つの異種データセット上で、4つのバックボーンに6つのSSLアプローチをベンチマークする。 アノテーションの効率を定量化し,高次元生体イメージングのための最適構成を同定する。
  論文  参考訳（メタデータ） (2026-10-22T19:32:11Z)
• Learning Taxonomic Trees with Hierarchical Representation Regularization for Large Multimodal Models [47.868429337792314]
  大規模なマルチモーダルモデル(LMM)は、しばしば分類学的な知識が欠如しており、階層的視覚認識(HVR)の一貫性が低い。 LMMにおける階層整合性を改善するシンプルなプラグアンドプレイ正規化器である階層表現正規化(HiR2$)を提案する。 HiR2$は、様々なLMMと微調整方法の分類構造を効果的にキャプチャする。
  論文  参考訳（メタデータ） (2026-07-03T03:16:41Z)
• Fine-R1: Make Multi-modal LLMs Excel in Fine-Grained Visual Recognition by Chain-of-Thought Reasoning [47.868429337792314]
  Fine-R1は、ファイングラインド視覚認識用に設計されたR1スタイルのMLLMである。 4ショットのトレーニングだけで、Fine-R1は既存のMLLMよりも優れており、MLLMの推論や、対照的なCLIPモデルも優れている。
  論文  参考訳（メタデータ） (2026-02-07T16:16:51Z)
• Understanding Degradation with Vision Language Model [56.09241449206817]
  視覚的劣化を理解することは、コンピュータビジョンにおいて重要な問題であるが、難しい問題である。 本稿では,教師付き微調整と強化学習を併用したマルチモーダル・チェーン・オブ・ソート・モデルであるDU-VLMを紹介する。 また,110,000個のクリーン劣化ペアと接地された物理アノテーションからなる大規模データセットである textbfDU-110k も導入した。
  論文  参考訳（メタデータ） (2026-02-04T13:51:15Z)
• SSVP: Synergistic Semantic-Visual Prompting for Industrial Zero-Shot Anomaly Detection [55.54007781679915]
  本稿では,多種多様な視覚的エンコーディングを効率よく融合させ,モデルの微粒化知覚を高めるSynergistic Semantic-Visual Prompting (SSVP)を提案する。 SSVPは、MVTec-AD上で93.0%のImage-AUROCと92.2%のPixel-AUROCで最先端のパフォーマンスを達成し、既存のゼロショットアプローチを著しく上回っている。
  論文  参考訳（メタデータ） (2026-01-14T04:42:19Z)
• Hierarchy-Aware Fine-Tuning of Vision-Language Models [18.244518940229202]
  視覚言語モデルは、大規模な画像テキスト事前学習を通じて強力なマルチモーダル表現を学習する。 標準的アプローチはラベルをフラットなカテゴリとして扱い、完全な微調整を必要とする。 構造的一貫性を保ちつつ,いくつかのパラメータを更新する,効率的な階層型微調整フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-12-25T06:44:33Z)
• Interpretable Few-Shot Image Classification via Prototypical Concept-Guided Mixture of LoRA Experts [79.18608192761512]
  自己説明可能なモデル(SEM)は、視覚認識プロセスをより解釈可能なものにするために、プロトタイプ概念学習(PCL)に依存している。 パラメトリック不均衡と表現の不整合という2つの重要な課題を緩和するFew-Shotプロトタイプ概念分類フレームワークを提案する。 我々のアプローチは、既存のSEMを顕著な差で常に上回っており、5-way 5-shot分類では4.2%-8.7%の相対的な利得がある。
  論文  参考訳（メタデータ） (2025-06-05T06:39:43Z)
• Adversarial Feature Augmentation and Normalization for Visual Recognition [109.6834687220478]
  最近のコンピュータビジョンの進歩は、分類モデルの一般化能力を改善するために、逆データ拡張を利用する。 本稿では,中間的特徴埋め込みにおける敵対的拡張を提唱する効率的かつ効率的な代替手法を提案する。 代表的なバックボーンネットワークを用いて,多様な視覚認識タスクにまたがる提案手法を検証する。
  論文  参考訳（メタデータ） (2021-03-22T20:36:34Z)

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。