論文の概要: SteelHuman: Predicting Operator Estimates of Steel-Scrap Composition from Sparse RGB Views
- arxiv url: http://arxiv.org/abs/2611.04317v1
- Date: Tue, 03 Nov 2026 04:48:42 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-11-10 03:58:54.767523
- Title: SteelHuman: Predicting Operator Estimates of Steel-Scrap Composition from Sparse RGB Views
- Title（参考訳）: SteelHuman: スパースRGBビューからのスチールスクラップ組成の演算子推定
- Abstract要約: 鉄鋼スクラップ組成推定は, 収量計画と適正供給補償の重要な部分である。
最近の研究は、構成レベルのタスクに取り組むが、構造化された取得と多段階の事前処理を必要とする。
本研究では,スチールスクラップ荷重評価への簡易なアプローチについて検討した。
- 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: Steel scrap composition estimation is an important part of yield planning and fair supplier compensation. Measuring the composition of a multi-ton pile is an inherently laborious process, so the assessment is often left to trained human operators. Recent works tackle composition-level tasks, but require structured acquisition and multi-stage preprocessing. We study a simpler approach to steel scrap load assessment by aggregating features from sparse, handheld views of the pile. On 600 out-of-fold piles, frozen DINOv2 tokens aggregated uniformly across views reach 13.4% total variation (TV) distance against operator estimates. Most remaining error lies in allocation among four thickness-defined heavy melting scrap (HMS) classes, yet image-dependent allocation reduces within-HMS TV from 25.1% under a training-set split prior to 11.2%. Due to the lack of public datasets and benchmarks for predicting composition, external evaluation relies on the public DOES dataset intended for classification. A classifier using the same frozen features reaches 93.97% accuracy, exceeding the published results we compare against. The composition model also aligns with related DOES categories without adaptation.
- Abstract（参考訳）: 鉄鋼スクラップ組成推定は, 収量計画と適正供給補償の重要な部分である。
マルチトン杭の組成を測定することは本質的に退屈なプロセスであり、訓練された人間の操作者にはしばしばその評価が残される。
最近の研究は、構成レベルのタスクに取り組むが、構造化された取得と多段階の事前処理を必要とする。
本研究では,スチールスクラップ荷重評価への簡易なアプローチについて検討した。
600のアウト・オブ・フォールドの山では、凍結されたDINOv2トークンが一様に集約され、オペレーターの推定値に対して13.4%の総変量(TV)までの距離に達した。
残るほとんどのエラーは4つの厚み定義された重溶融スクラップ(HMS)クラスに割り当てられるが、画像依存の割り当ては11.2%以前のトレーニングセットスプリットの下で25.1%から減少する。
構成を予測するための公開データセットとベンチマークが欠如しているため、外部評価は分類を目的とした公開DOESデータセットに依存している。
同じ凍結した特徴を用いた分類器は93.97%の精度に達し、比較した結果を上回る。
構成モデルは、適応せずに関連するDOESカテゴリと整合する。
関連論文リスト
- When a High Score Is an Illusion: Certifying Genuine versus Repackaged Forecasting Skill [0.6372261626436676]
特定人口階級のコントラストの関連性を維持する課題を特徴付ける。
北京の大気質アーカイブでは、7つの学習した予測の共有スコアのうち、91.4%から94.5%の相互作用が報告されている。
論文 参考訳（メタデータ） (2026-09-16T13:51:41Z) - Handoff-H1: An Orchestrated Vision-Agent System for Material Quantity Takeoff from Construction Blueprints [0.0]
Handoff-H1は、プリミティブを抽出する汎用的なコンピュータビジョンモデル、イメージ操作を備えたツール使用エージェント、および社内のビジュアルタスクツールの3つのレイヤから構築された離陸システムである。
我々は、コンセンサス検証された専門家のテイクオフと組み合わせて、実際の住宅用ブループリントセット10点について評価する。
論文 参考訳（メタデータ） (2026-08-15T04:34:51Z) - Scaling Vision-Language Models Is Not Enough to Mitigate Bias [17.05392655320793]
VLM(Vision-Language Models)は、現在ではマルチモーダルシステムの基礎となっているが、素早い相関に対する頑健さは、大規模にはあまり理解されていない。
本報告では, モデルサイズ, 24 のトレーニングデータセット, 3 つの評価ベンチマークを対象とし, 194 の公開 VLM に関する大規模な実証的研究を行った。
論文 参考訳（メタデータ） (2026-07-30T13:49:16Z) - AgentFAIR: A Multi-Agent Collaborative Framework for FAIRness Evaluation of Geospatial Datasets [4.193537335690018]
本稿では,構造抽出とサブプリンシプル固有評価器を組み合わせたマルチエージェントフレームワークであるAgentFAIRを提案する。
それぞれが0-3の成熟度スコア、エビデンス、レコメンデーションを生成します。
15データセットの専門家による予備的な研究では、フライスのカッパは0.71で、82%が専門家のコンセンサスと一致している。
論文 参考訳（メタデータ） (2026-07-17T09:32:54Z) - RAVEN: A Regime-Aware Variable-context Expert Network for Financial Time Series Forecasting [83.06074370551887]
固定コンテキストウィンドウは、非定常価格プロセスの時間変化最適振り返りと一致しない。
本稿では,各サンプルの時間的文脈を適応的に決定するMixture-of-Expertsフレームワークを提案する。
累積ログリターン予測(HS300、S&P500)およびファンド販売予測の実験では、RAVENはSOTAのパフォーマンスを達成し、HS300ではピアソン相関を9.2%改善し、S&P500では20.2%改善し、MSEを18.2%削減している。
論文 参考訳（メタデータ） (2026-06-23T02:11:04Z) - Beyond Raw Transcripts: Structured Persona Extraction for LLM-Based Digital Twins [2.20325174292]
LLMベースの「デジタル双子」は、個人が新しい環境でどのように振る舞うかをシミュレートしたり、新しい質問に応答することを目的としている。
以前の研究は、長い書き起こしを圧縮しても予測精度は著しく低下しないことを示した。
我々は、非構造的な要約と構造化されたペルソナ表現を比較してこれを研究する。
論文 参考訳（メタデータ） (2026-06-13T19:00:54Z) - Knowledge Index of Noah's Ark [63.143852586221534]
KINAは,261分野にわたる899項目のベンチマークである。
ボーナス・オン・バートーナメントがFOSDを弱く支配していることを示す。
トップモデルであるGemini-3.1-Pro-Previewは53.17%、Claude-Opus-4.6は49.92%、GPT-5.4は48.55%に達した。
論文 参考訳（メタデータ） (2026-06-03T17:06:49Z) - Rethinking Long-tailed Dataset Distillation: A Uni-Level Framework with Unbiased Recovery and Relabeling [105.8570596633629]
トラジェクトリに基づく手法の限界を再考することにより,長い尾のデータセット蒸留を再考する。
統計的アライメントの観点からバイアスをモデル化し、公正な監督を復元する。
提案手法は,CIFAR-100-LTで15.6%,Tiny-ImageNet-LTで11.8%向上する。
論文 参考訳（メタデータ） (2025-11-24T07:57:01Z) - Rethinking LLM Evaluation: Can We Evaluate LLMs with 200x Less Data? [82.09573568241724]
EssenceBenchは反復遺伝的アルゴリズム(GA)を利用した粗粒度フレームワーク
提案手法は, 再構成誤差が低く, 効率が著しく向上した, 優れた圧縮結果が得られる。
HellaSwagベンチマーク(10Kサンプル)では,25倍少ないサンプルを用いて,全モデルが5%以内の順位を保ち,わずか200倍少ないサンプルを用いて,95%未満のランキング保持シフトを達成している。
論文 参考訳（メタデータ） (2025-10-12T05:38:10Z) - Benchmarking Zero-Shot Robustness of Multimodal Foundation Models: A Pilot Study [61.65123150513683]
CLIPのようなマルチモーダル基盤モデルは、最先端のゼロショット結果を生成する。
これらのモデルは、ImageNetでトレーニングされた教師付きモデルのパフォーマンスを一致させることで、ロバスト性ギャップを埋めることが報告されている。
CLIPは、ベンチマーク上の教師付きImageNetモデルと比較して、かなりの堅牢性低下をもたらすことを示す。
論文 参考訳（メタデータ） (2024-03-15T17:33:49Z) - CARMS: Categorical-Antithetic-REINFORCE Multi-Sample Gradient Estimator [60.799183326613395]
本稿では, 相互に負に相関した複数のサンプルに基づく分類的確率変数の非バイアス推定器を提案する。
CARMSは、ReINFORCEとコプラベースのサンプリングを組み合わせることで、重複サンプルを回避し、その分散を低減し、重要サンプリングを使用して推定器を偏りなく維持する。
我々は、生成的モデリングタスクと構造化された出力予測タスクに基づいて、いくつかのベンチマークデータセット上でCARMSを評価し、強力な自己制御ベースラインを含む競合する手法より優れていることを示す。
論文 参考訳（メタデータ） (2021-10-26T20:14:30Z)
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。