Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > cs > arXiv:2509.13484v2

帮助 | 高级搜索

计算机科学 > 计算机视觉与模式识别

arXiv:2509.13484v2 (cs)
[提交于 2025年9月16日 (v1) ,最后修订 2025年9月18日 (此版本, v2)]

标题: MINGLE:用于城市场景中语义复杂区域检测的视觉语言模型

标题: MINGLE: VLMs for Semantically Complex Region Detection in Urban Scenes

Authors:Liu Liu, Alexandra Kudaeva, Marco Cipriano, Fatimeh Al Ghannam, Freya Tan, Gerard de Melo, Andres Sevtsuk
摘要: 理解公共空间中的群体级社会互动对于城市规划至关重要,这有助于设计出社会活力和包容性环境。 从图像中检测这种互动涉及解释诸如关系、接近度和共同运动等细微的视觉线索——这些语义复杂的信号超出了传统目标检测的范围。 为了解决这个挑战,我们引入了一个社交群体区域检测任务,该任务需要推断并空间定位由抽象人际关系定义的视觉区域。 我们提出了MINGLE(建模人际群体级参与),一个模块化的三阶段流程,包括:(1) 现成的人类检测和深度估计,(2) 基于视觉语言模型的推理来分类成对的社会归属,以及(3) 一种轻量级的空间聚合算法来定位社会连接的群体。 为了支持这项任务并鼓励未来的研究,我们提供了一个包含10万张城市街景图像的新数据集,这些图像带有个人和社会互动群体的边界框和标签。 这些标注结合了人工创建的标签和MINGLE流程的输出,确保了语义丰富性和现实场景的广泛覆盖。
摘要: Understanding group-level social interactions in public spaces is crucial for urban planning, informing the design of socially vibrant and inclusive environments. Detecting such interactions from images involves interpreting subtle visual cues such as relations, proximity, and co-movement - semantically complex signals that go beyond traditional object detection. To address this challenge, we introduce a social group region detection task, which requires inferring and spatially grounding visual regions defined by abstract interpersonal relations. We propose MINGLE (Modeling INterpersonal Group-Level Engagement), a modular three-stage pipeline that integrates: (1) off-the-shelf human detection and depth estimation, (2) VLM-based reasoning to classify pairwise social affiliation, and (3) a lightweight spatial aggregation algorithm to localize socially connected groups. To support this task and encourage future research, we present a new dataset of 100K urban street-view images annotated with bounding boxes and labels for both individuals and socially interacting groups. The annotations combine human-created labels and outputs from the MINGLE pipeline, ensuring semantic richness and broad coverage of real-world scenarios.
评论: 13页,4图
主题: 计算机视觉与模式识别 (cs.CV) ; 计算机与社会 (cs.CY)
引用方式: arXiv:2509.13484 [cs.CV]
  (或者 arXiv:2509.13484v2 [cs.CV] 对于此版本)
  https://doi.org/10.48550/arXiv.2509.13484
通过 DataCite 发表的 arXiv DOI

提交历史

来自: Liu Liu [查看电子邮件]
[v1] 星期二, 2025 年 9 月 16 日 19:31:40 UTC (11,486 KB)
[v2] 星期四, 2025 年 9 月 18 日 14:03:41 UTC (11,486 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • HTML(实验性)
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
cs.CV
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-09
切换浏览方式为:
cs
cs.CY

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

与本文相关的代码,数据和媒体

alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)

演示

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

arXivLabs:与社区合作伙伴的实验项目

arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。

与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。

有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号