論文の概要: VLM-as-a-Judge for Person Re-Identification

• arxiv url: http://arxiv.org/abs/2611.03027v1
• Date: Mon, 02 Nov 2026 12:22:19 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 13:46:29.470591
• Title: VLM-as-a-Judge for Person Re-Identification
• Title（参考訳）: VLM-as-a-Judge for Person Re-Identification (特集 VLM-as-a-Judge)
• Abstract要約: 汎用視覚言語モデル (VLM) が, 広範囲かつ一貫したマージンで再帰する専門的検索モデルを上回ることを示す。 両方の専門家のショートリストをマージすると、より強力な専門家のショートリストのみを低コストでランク付けする。
• 参考スコア（独自算出の注目度）: 19.842416625968962
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Cloth-changing person re-identification (CC-ReID) is still very challenging, and no method clearly dominates: methods that lead on one benchmark collapse on the others, because they rest on different identity cues. We show that a general-purpose vision-language model (VLM), used zero-shot as a judge for reranking a short candidate list, beats the expert retrieval models it reranks by a wide and consistent margin. On the four scenarios of CHIRLA, a long-term CC-ReID benchmark that no publicly released Re-ID model is trained on, reranking the candidates of two frozen experts raises rank-1 on every scenario, by 12.9 points on average over the best expert and 9.4 over the best naive ensemble of the two, with no component fine-tuned on the target data. Merging both experts' shortlists matches or beats reranking the stronger expert's shortlist alone, at lower cost. Introducing a VLM does, however, come at a cost: almost all of the pipeline's FLOPs are spent on it. We therefore borrow a criterion from ensembling and invoke the VLM judge only where the two experts disagree at rank 1. This threshold-free gate removes 40% of the calls, and a comparable share of total compute, with no significant drop in rank-1, trading 1.8 to 3.8 points of mAP. Judging remains the dominant cost, but on a benchmark where dedicated experts stall, we find a frozen general-purpose model to be the strongest judge of identity. The code is available at https://github.com/bdager/JudgeReID.
• Abstract（参考訳）: 服を交換する人の再識別(CC-ReID)は依然として非常に困難であり、明確な方法が存在しない。 一般目的視覚言語モデル(VLM)は,ゼロショットを短い候補リストのランク付けに用い,広範囲かつ一貫したマージンでリランクする専門家の検索モデルを上回った。 CHIRLAの4つのシナリオでは、CC-ReIDの長期ベンチマークでは、公開されていないRe-IDモデルがトレーニングされており、凍結した2人の専門家の候補が全てのシナリオでランク1を上昇させ、最も優れた専門家よりも平均12.9ポイント、ターゲットデータに微調整を施さずに、2人の最も素直なアンサンブルに対して9.4ポイント上昇する。 両方の専門家のショートリストをマージすると、より強力な専門家のショートリストのみを低コストでランク付けする。 しかし、VLMの導入にはコストがかかります。パイプラインのFLOPのほとんどすべてがそれに費やされています。 したがって、2人の専門家がランク1で意見が一致しない場合にのみ、アンサンブルの基準を借りてVLM判事を起動する。 このしきい値のないゲートは呼び出しの40%を取り除き、総計算のシェアは1位から1.8から3.8ポイントまで減少しない。 判断は依然として主要なコストであるが、専門の専門家が行き詰まるベンチマークでは、凍結した汎用モデルがアイデンティティーの最も強力な判断であることがわかった。 コードはhttps://github.com/bdager/JudgeReIDで入手できる。

関連論文リスト

• To Jev or Not to Jev: When Can System-1 Decision Models Replace LLM Judges? [2.8766374696553823]
  TypeSafeのJevのような決定モデルは、単一のフォワードパスで、テキストを生成することなく、キャリブレーションされた確率を持つテキストについて、型付き質問に答える。 予備プロトコルで選択した14のシステム-1決定モデルを,4人の生成判断者に対して評価した。
  論文  参考訳（メタデータ） (2026-10-31T00:51:19Z)
• Pinned and Still Unstable: Within-Judge Verdict Variance and the Noise Floor of LLM-as-Judge Leaderboards [0.0]
  LLM評価は、審査員を固定されたモデルバージョンに固定し、温度ゼロで復号すると再現可能な判定が得られると仮定する。 この仮定は、LLM-as-Judgeがクラウドサービスインフラ上でどのように運用されているかという特性として失敗することを示す。
  論文  参考訳（メタデータ） (2026-09-27T00:19:41Z)
• RAPTOR: Role-Aware Private Training for Mixture-of-Experts [68.5626338219096]
  RAPTORはRole-Aware Private Trainingフレームワークである。 RAPTORは共有と専門家の最適化を交互に行い、各障害を直接ターゲットする。 GLUEタスク間でのSwitch TransformerとOLMoEの微調整およびDeepSeek-VL2-Tinyの実験では、標準のDPベースラインよりも一貫した利得を示している。
  論文  参考訳（メタデータ） (2026-09-04T23:16:12Z)
• Ask the Right Comparison:Bias-Aware Bayesian Active Top-$k$ Ranking with LLM Judges [31.082191748525137]
  大規模言語モデル(LLM)は、候補出力をペアで比較する、安価でスケーラブルな判断器として、ますます使われている。 固定比較予算の下で,トップクアイテムを識別する実践的目標について検討する。 我々は,次の比較を選択し,不確実性を最大に低減する,トップク対応のアクティブな獲得ルールを導入する。
  論文  参考訳（メタデータ） (2026-07-02T12:39:30Z)
• LivingArena: Do LLMs Know What Other LLMs Don't? Peer-Probing as Scalable Evaluation [79.03892269184145]
  LivingArenaは自動汚染耐性評価フレームワークである。 モデルは質問を交互に提案し、相手が正しく答えられないアイテムを提示する。 質問者は、相手の知識境界を積極的に特定し、活用することが奨励される。
  論文  参考訳（メタデータ） (2026-06-19T06:20:58Z)
• SLMJury: Can Small Language Models Judge as Well as Large Ones? [1.5990700377571574]
  SLMJury(Small Language Model (SLM) 評価フレームワーク)を2つのパラダイムの審査対象として紹介する。 我々は10のベンチマークで4つのモデルファミリーから16のSLM判定値(0.6B-14Bパラメータ)をベンチマークした。 信頼性の高い自動評価は大きなプロプライエタリなモデルを必要としないが、単一のSLMが支配的ではない。
  論文  参考訳（メタデータ） (2026-06-05T19:38:15Z)
• Instance-Optimal Estimation with Multiple LLM Judges on a Budget [84.31744861038106]
  我々は、この問題を*予算付きヘテロスケダティックなマルチジャッジ推定*として定式化する。 K$のプロンプト-レスポンスペア、J$の既知のコストと未知のクエリ-ジャッジ分散が与えられた場合、目標は、$ell_p$-errorを最小化しながら、有界スコアベクトルを推定することである。 EST-IVWEは,予算の低次項までのオラクルIVWEレートと一致していることを示す。
  論文  参考訳（メタデータ） (2026-05-22T08:26:08Z)
• Self-Improving VLM Judges Without Human Annotations [74.29324865147838]
  自己合成データのみを用いて,人間の好みのアノテーションを使わずにVLM判断モデルを自己学習する枠組みを提案する。 提案手法は,Llama-3.2-11Bマルチモーダル判定を0.38から0.51に改善する。 これらの注釈のない結果の全体的な強みは、VLM能力の急速な向上とともに進化する将来の自己判断の可能性を示している。
  論文  参考訳（メタデータ） (2025-12-02T20:52:19Z)
• CompassJudger-2: Towards Generalist Judge Model via Verifiable Rewards [72.44810390478229]
  CompassJudger-2は、タスク駆動のマルチドメインデータキュレーション戦略によって制限を克服する新しいジェネラリストジャッジモデルである。 CompassJudger-2は、複数の判定と報奨ベンチマークで優れた結果を得る。
  論文  参考訳（メタデータ） (2025-07-12T01:34:24Z)
• Decentralized Arena: Towards Democratic and Scalable Automatic Evaluation of Language Models [66.51871176061195]
  Decentralized Arena (dearena) は,すべての大規模言語モデルからの集合的インテリジェンスを活用して相互評価を行う,完全に自動化されたフレームワークである。 人の判断と最大で97%の相関を保ち コストを大幅に削減します
  論文  参考訳（メタデータ） (2025-05-19T07:34:25Z)

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。