論文の概要: Action Segmentation with Joint Self-Supervised Temporal Domain Adaptation

• arxiv url: http://arxiv.org/abs/2003.02824v3
• Date: Wed, 18 Mar 2020 21:09:07 GMT
• ステータス: 処理完了
• システム内更新日: 2022-12-26 06:59:32.124296
• Title: Action Segmentation with Joint Self-Supervised Temporal Domain Adaptation
• Title（参考訳）: 自己教師付き時間領域適応による動作セグメンテーション
• Authors: Min-Hung Chen, Baopu Li, Yingze Bao, Ghassan AlRegib, Zsolt Kira
• Abstract要約: 我々は,アクションセグメンテーションのバリエーションの問題に対処するために,ラベルのないビデオを利用する。 本稿では,2つの自己監督型補助タスクを含む自己監督型時間領域適応(SSTDA)を提案する。 3つの挑戦的なデータセットにおいて、SSTDAは最先端の手法よりも大きなマージンで優れている。
• 参考スコア（独自算出の注目度）: 54.81021693364532
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Despite the recent progress of fully-supervised action segmentation techniques, the performance is still not fully satisfactory. One main challenge is the problem of spatiotemporal variations (e.g. different people may perform the same activity in various ways). Therefore, we exploit unlabeled videos to address this problem by reformulating the action segmentation task as a cross-domain problem with domain discrepancy caused by spatio-temporal variations. To reduce the discrepancy, we propose Self-Supervised Temporal Domain Adaptation (SSTDA), which contains two self-supervised auxiliary tasks (binary and sequential domain prediction) to jointly align cross-domain feature spaces embedded with local and global temporal dynamics, achieving better performance than other Domain Adaptation (DA) approaches. On three challenging benchmark datasets (GTEA, 50Salads, and Breakfast), SSTDA outperforms the current state-of-the-art method by large margins (e.g. for the F1@25 score, from 59.6% to 69.1% on Breakfast, from 73.4% to 81.5% on 50Salads, and from 83.6% to 89.1% on GTEA), and requires only 65% of the labeled training data for comparable performance, demonstrating the usefulness of adapting to unlabeled target videos across variations. The source code is available at https://github.com/cmhungsteve/SSTDA.
• Abstract（参考訳）: 完全教師付きアクションセグメンテーション技術の最近の進歩にもかかわらず、パフォーマンスはまだ完全には満足できない。 主な課題は時空間変動の問題である(例えば、異なる人が様々な方法で同じ活動をすることができる)。 そこで本稿では,非ラベル映像を用いて,時空間変動による領域差を伴うクロスドメイン問題としてアクションセグメンテーションタスクを再構成し,この問題に対処する。 そこで本研究では,局所的および大域的な時間的ダイナミクスを組み込んだクロスドメイン特徴空間を協調的に整列させ,他のドメイン適応(da)手法よりも優れた性能を実現するために,自己教師付き時間領域適応(sstda)を提案する。 3つの挑戦的なベンチマークデータセット(GTEA、50Salads、およびBreakfast)において、SSTDAは、現在の最先端の手法を大きなマージン(例えば、F1@25スコア、59.6%から69.1%、Breakfastスコア、50Saladsの73.4%から81.5%、GTEAの83.6%から89.1%)で上回り、ラベル付きトレーニングデータの65%に匹敵するパフォーマンスを保っている。 ソースコードはhttps://github.com/cmhungsteve/SSTDAで入手できる。

関連論文リスト

• Informative Data Mining for One-Shot Cross-Domain Semantic Segmentation [84.82153655786183]
  Informative Data Mining (IDM) と呼ばれる新しいフレームワークを提案し、セマンティックセグメンテーションのための効率的なワンショットドメイン適応を実現する。 IDMは、最も情報性の高いサンプルを特定するために不確実性に基づく選択基準を提供し、迅速に適応し、冗長なトレーニングを減らす。 提案手法は,GTA5/SYNTHIAからCityscapesへの適応タスクにおいて,既存の手法より優れ,56.7%/55.4%の最先端のワンショット性能を実現している。
  論文  参考訳（メタデータ） (2023-09-25T15:56:01Z)
• SALUDA: Surface-based Automotive Lidar Unsupervised Domain Adaptation [62.889835139583965]
  我々は、ソースデータとターゲットデータに基づいて、暗黙の基盤となる表面表現を同時に学習する教師なし補助タスクを導入する。 両方のドメインが同じ遅延表現を共有しているため、モデルは2つのデータソース間の不一致を許容せざるを得ない。 実験の結果,本手法は実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-実-
  論文  参考訳（メタデータ） (2023-04-06T17:36:23Z)
• The Norm Must Go On: Dynamic Unsupervised Domain Adaptation by Normalization [10.274423413222763]
  ドメイン適応は、学習したモデルを、ドメインシフトやデータ分散の変更など、新しいシナリオに適応するために不可欠である。 現在のアプローチは通常、シフトしたドメインから大量のラベル付きまたはラベルなしのデータを必要とする。 本稿では,この問題を解決するために動的教師なし適応(DUA)を提案する。
  論文  参考訳（メタデータ） (2021-12-01T12:43:41Z)
• Stagewise Unsupervised Domain Adaptation with Adversarial Self-Training for Road Segmentation of Remote Sensing Images [93.50240389540252]
  リモートセンシング画像からの道路セグメンテーションは、幅広い応用可能性を持つ課題である。 本稿では,この領域における領域シフト(DS)問題に対処するため,RoadDAと呼ばれる新たな段階的ドメイン適応モデルを提案する。 2つのベンチマーク実験の結果、RoadDAはドメインギャップを効率的に減らし、最先端の手法より優れていることが示された。
  論文  参考訳（メタデータ） (2021-08-28T09:29:14Z)
• AdaMatch: A Unified Approach to Semi-Supervised Learning and Domain Adaptation [38.510948869624194]
  AdaMatchは、教師なしドメイン適応(UDA)、半教師付き学習(SSL)、半教師付きドメイン適応(SSDA)のタスクを統一する手法である。 広範にわたる実験的研究において、視覚分類タスクにおけるSSL、SSDA、UDAの各最先端技術との比較を行った。 AdaMatch は、DomainNet の UDA タスクの先行状態の精度をほぼ2倍にし、事前トレーニングで得られた先行状態の精度を6.4%上回っている。
  論文  参考訳（メタデータ） (2021-06-08T23:39:12Z)
• Action Segmentation with Mixed Temporal Domain Adaptation [39.432733797568254]
  本論文では,この問題をドメイン適応問題として形成することにより,より容易に取得できる補助的無ラベル動画の活用を提案する。 本稿では,フレーム空間とビデオレベルの埋め込み特徴空間を協調的に整列する混合時間適応ドメイン(mtda)を提案する。 提案手法を3つの課題データセットで評価した。
  論文  参考訳（メタデータ） (2021-04-15T13:48:14Z)
• Unsupervised and self-adaptative techniques for cross-domain person re-identification [82.54691433502335]
  非重複カメラにおける人物再識別(ReID)は難しい課題である。 Unsupervised Domain Adaptation(UDA)は、ソースで訓練されたモデルから、IDラベルアノテーションなしでターゲットドメインへの機能学習適応を実行するため、有望な代替手段です。 本稿では,新しいオフライン戦略によって生成されたサンプルのトリプレットを利用する,UDAベースのReID手法を提案する。
  論文  参考訳（メタデータ） (2021-03-21T23:58:39Z)
• Knowledge Distillation for BERT Unsupervised Domain Adaptation [2.969705152497174]
  トレーニング済みの言語モデルであるBERTは、さまざまな自然言語処理タスクで大幅なパフォーマンス向上を実現している。 蒸留による逆順応法(AAD)を提案する。 ドメイン間感情分類におけるアプローチを30組のドメイン対で評価した。
  論文  参考訳（メタデータ） (2020-10-22T06:51:24Z)
• Discriminative Active Learning for Domain Adaptation [16.004653151961303]
  我々は、データアノテーションの労力を減らすために、ドメイン適応のための差別的なアクティブな学習手法を導入する。 具体的には,ニューラルネットワークの3段階能動対向トレーニングを提案する。 4つのベンチマークデータセットを用いた既存領域適応手法との比較実験により,提案手法の有効性が示された。
  論文  参考訳（メタデータ） (2020-05-24T04:20:49Z)
• Unsupervised Intra-domain Adaptation for Semantic Segmentation through Self-Supervision [73.76277367528657]
  畳み込みニューラルネットワークに基づくアプローチは、セマンティックセグメンテーションにおいて顕著な進歩を遂げた。 この制限に対処するために、グラフィックエンジンから生成された注釈付きデータを使用してセグメンテーションモデルをトレーニングする。 ドメイン間およびドメイン間ギャップを最小化する2段階の自己教師付きドメイン適応手法を提案する。
  論文  参考訳（メタデータ） (2020-04-16T15:24:11Z)

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。