論文の概要: AffordJEV: Affordance Grounding by Confirming Candidate Regions

• arxiv url: http://arxiv.org/abs/2611.07896v1
• Date: Thu, 05 Nov 2026 12:17:27 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-11-06 21:50:50.676529
• Title: AffordJEV: Affordance Grounding by Confirming Candidate Regions
• Title（参考訳）: AffordJEV:候補地域を確定したアフォーマンスグラウンド
• Abstract要約: Affordance Groundingは、オブジェクトの可視部が要求された操作を行うかを尋ねる。 既存のメソッドのほとんどはSystem Twoパラダイムに従っています。 本稿では,システム1モデルを用いて,その動作を直接決定する手法を提案する。
• 参考スコア（独自算出の注目度）: 32.58313725083027
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Affordance grounding asks which visible part of an object performs a requested operation, a basic capability for embodied manipulation and human--robot interaction. Most existing methods follow a System Two paradigm: a multimodal language model first writes a chain of thought and then turns its conclusion into a box or points for a segmenter. This incurs considerable inference cost, gives the semantic decision little direct control over the extent of the final region, and makes mistakes hard to correct. Yet locating an affordance is essentially a perceptual judgment that need not be argued out in words. We therefore propose, in which frozen segmenters propose candidate regions and a System One model decides directly which of them perform the operation, generating no text and reading each decision from a single forward pass. Our contributions are twofold. (1) An inference framework that confirms candidate regions level by level, from object to part to sub-part, with evidence passed between the levels in both directions so that the levels correct one another. (2) A System One model trained for this framework: existing System One models are built for general-purpose decisions, judge one candidate per request and are ill-suited to the framework's region questions, so ours learns directly from the requests the framework itself produces and judges all candidates of a level at once. Trained only on InstructPart and evaluated with definition-aligned operation words, outperforms chain-of-thought methods in domain and in zero-shot transfer to UMD and IIT-AFF, is better overall than existing System One models run in the same framework, and needs fewer judge requests. To our knowledge, is the first approach to bring System One models to affordance grounding.
• Abstract（参考訳）: Affordance Groundingは、オブジェクトの可視部が要求された操作を行うか、操作を具体化して人間とロボットのインタラクションを行う基本的な機能を要求する。 既存のほとんどのメソッドはSystem Twoパラダイムに従っている: マルチモーダル言語モデルはまず思考の連鎖を書き、その結論をセグメンタのボックスやポイントに変換する。 これはかなりの推論コストを発生させ、最終領域の範囲を直接的に制御することができず、誤りを修正しにくくする。 しかし、余裕を見つけることは本質的には、言葉で論じる必要がない知覚的な判断である。 そこで,凍結したセグメンタが候補領域を提案し,システム1モデルがどの操作を行うかを直接決定し,テキストを生成せず,各決定を1つのフォワードパスから読み取る。 私たちの貢献は2倍です。 1)対象地域から部分レベル、部分レベルまで、各レベルが相互に正当であるように、両方向のレベル間に証拠が渡された候補地域レベルをレベル別に確認する推論フレームワーク。 2) 既存のSystem Oneモデルは、汎用的な決定のために構築され、要求毎に1つの候補を判断し、フレームワークの領域の問題に不適合である。 InstructPartでのみ訓練され、定義に整合した操作語で評価され、ドメイン内のチェーン・オブ・シンクレット・メソッドや、UDDやITI-AFFへのゼロショット転送よりも優れており、既存のSystem Oneモデルが同じフレームワークで実行されている場合よりも総合的に優れている。 私たちの知る限りでは、System Oneのモデルを低価格化するための最初のアプローチです。

関連論文リスト

• Narrow Decision Models: A System-1 Architecture for Calibrated, Typed Decisions [2.620686844328898]
  System Oneモデルは、生成されたテキストの代わりにキャリブレーションされた確率を持つ状態に関する型付き質問に答える。 NDM(Narrow Decision Model)は同じインターフェースを提供するが、ひとつの組織の決定のためにトレーニングされている。 NDMは独自のインフラストラクチャ上で動作可能なほど小さく、プロパティを記述およびテスト可能なオープンアーキテクチャを備えている。
  論文  参考訳（メタデータ） (2026-10-18T21:49:35Z)
• Hybrid Rule-Neural Coreference Resolution System based on Actor-Critic Learning [53.73316523766183]
  コアレゾリューションシステムは2つの主要なタスクに取り組む必要がある。 ひとつのタスクは、潜在的な言及のすべてを検出することであり、もう1つは、可能な言及ごとに前者のリンクを学習することである。 本稿では,アクター・クリティカル・ラーニングに基づく複合ルール・ニューラル・コア参照解決システムを提案する。
  論文  参考訳（メタデータ） (2022-12-20T08:55:47Z)
• Rethinking the Two-Stage Framework for Grounded Situation Recognition [61.93345308377144]
  接地状況認識は「人間のような」事象理解に向けた重要なステップである。 既存のGSR手法では、第1段階で動詞を予測し、第2段階での意味的役割を検出するという、2段階の枠組みを採用している。 本稿では,CFVM (Coarse-to-Fine Verb Model) と Transformer-based Noun Model (TNM) で構成される新しいGSR用SituFormerを提案する。
  論文  参考訳（メタデータ） (2021-12-10T08:10:56Z)
• Hierarchical Modeling for Out-of-Scope Domain and Intent Classification [55.23920796595698]
  本稿では,対話システムにおけるスコープ外意図分類に焦点をあてる。 ドメインとインテントを同時に分類する共同モデルに基づく階層型マルチタスク学習手法を提案する。 実験により、モデルが既存の手法よりも精度、スコープ外リコール、F1で優れていることが示された。
  論文  参考訳（メタデータ） (2021-04-30T06:38:23Z)
• Unsupervised Acoustic Unit Discovery by Leveraging a Language-Independent Subword Discriminative Feature Representation [31.87235700253597]
  本論文では,非ラベル音声データから電話型音響ユニット(AUD)を自動的に発見する。 第1段階は単語識別的特徴表現を学習し,第2段階は学習表現にクラスタリングを適用し,検出された音響単位として電話型クラスタを得る,という2段階のアプローチを提案する。
  論文  参考訳（メタデータ） (2021-04-02T11:43:07Z)
• RADDLE: An Evaluation Benchmark and Analysis Platform for Robust Task-oriented Dialog Systems [75.87418236410296]
  我々はraddleベンチマーク、コーパスのコレクション、および様々なドメインのモデルのパフォーマンスを評価するためのツールを紹介します。 RADDLEは強力な一般化能力を持つモデルを好んで奨励するように設計されている。 先行学習と微調整に基づく最近の最先端システムの評価を行い,異種ダイアログコーパスに基づく基礎的な事前学習が,ドメインごとの個別モデルをトレーニングするよりも優れていることを示す。
  論文  参考訳（メタデータ） (2020-12-29T08:58:49Z)
• Probing Task-Oriented Dialogue Representation from Language Models [106.02947285212132]
  本稿では,タスク指向対話タスクにおいて,どのモデルが本質的に最も有意義な表現を担っているかを明らかにするために,事前学習された言語モデルについて検討する。 我々は、アノテートラベルを教師付き方法で固定された事前学習言語モデルの上に、分類器プローブとしてフィードフォワード層を微調整する。
  論文  参考訳（メタデータ） (2020-10-26T21:34:39Z)
• BriNet: Towards Bridging the Intra-class and Inter-class Gaps in One-Shot Segmentation [84.2925550033094]
  ほとんどショットのセグメンテーションは、限られたトレーニングサンプルで見えないオブジェクトインスタンスをセグメンテーションするためのモデルの一般化に焦点を当てている。 本稿では,クエリの抽出した特徴とサポートイメージのギャップを埋めるフレームワーク BriNet を提案する。 本フレームワークの有効性は,他の競合手法よりも優れる実験結果によって実証された。
  論文  参考訳（メタデータ） (2020-08-14T07:45:50Z)

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。