ProMQA: Question Answering Dataset for Multimodal Procedural Activity Understanding

要約

マルチモーダル システムは、人間が目標を達成するために指示に従うという手順的な活動を支援する大きな可能性を秘めています。
多様なアプリケーションシナリオにもかかわらず、システムは通常、アクション認識や時間的アクションのセグメンテーションなどの従来の分類タスクに基づいて評価されます。
このペーパーでは、アプリケーション指向のシナリオでシステムの進歩を測定するための新しい評価データセット ProMQA を紹介します。
ProMQA は、対応する指示と組み合わせた手順アクティビティのユーザー記録に関する 401 のマルチモーダル手順 QA ペアで構成されています。
QA アノテーションについては、費用対効果の高い人間と LLM の共同アプローチを採用しています。このアプローチでは、既存のアノテーションが、後で人間によって検証される LLM で生成された QA ペアで強化されます。
次に、ProMQA のベースライン パフォーマンスを設定するためのベンチマーク結果を提供します。
私たちの実験では、人間のパフォーマンスと、競争力のある独自のマルチモーダル モデルを含む現在のシステムのパフォーマンスとの間に大きなギャップがあることが明らかになりました。
私たちのデータセットがモデルのマルチモーダルな理解能力の新たな側面に光を当てることを願っています。

要約(オリジナル)

Multimodal systems have great potential to assist humans in procedural activities, where people follow instructions to achieve their goals. Despite diverse application scenarios, systems are typically evaluated on traditional classification tasks, e.g., action recognition or temporal action segmentation. In this paper, we present a novel evaluation dataset, ProMQA, to measure system advancements in application-oriented scenarios. ProMQA consists of 401 multimodal procedural QA pairs on user recording of procedural activities coupled with their corresponding instruction. For QA annotation, we take a cost-effective human-LLM collaborative approach, where the existing annotation is augmented with LLM-generated QA pairs that are later verified by humans. We then provide the benchmark results to set the baseline performance on ProMQA. Our experiment reveals a significant gap between human performance and that of current systems, including competitive proprietary multimodal models. We hope our dataset sheds light on new aspects of models’ multimodal understanding capabilities.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google