論文の概要: Skeleton-based Relational Reasoning for Group Activity Analysis

• arxiv url: http://arxiv.org/abs/2011.05653v3
• Date: Fri, 8 Oct 2021 02:05:35 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-27 00:16:28.506950
• Title: Skeleton-based Relational Reasoning for Group Activity Analysis
• Title（参考訳）: 骨格に基づくグループ活動分析のための関係推論
• Authors: Mauricio Perez, Jun Liu and Alex C. Kot
• Abstract要約: スケルトン情報を活用して、そこから直接個人間の相互作用を学習します。 本実験は,複数対人インタラクションをモデル化するスケルトンベースのアプローチの可能性を示す。
• 参考スコア（独自算出の注目度）: 40.49389173100578
• License: http://creativecommons.org/licenses/by-nc-nd/4.0/
• Abstract: Research on group activity recognition mostly leans on the standard two-stream approach (RGB and Optical Flow) as their input features. Few have explored explicit pose information, with none using it directly to reason about the persons interactions. In this paper, we leverage the skeleton information to learn the interactions between the individuals straight from it. With our proposed method GIRN, multiple relationship types are inferred from independent modules, that describe the relations between the body joints pair-by-pair. Additionally to the joints relations, we also experiment with the previously unexplored relationship between individuals and relevant objects (e.g. volleyball). The individuals distinct relations are then merged through an attention mechanism, that gives more importance to those individuals more relevant for distinguishing the group activity. We evaluate our method in the Volleyball dataset, obtaining competitive results to the state-of-the-art. Our experiments demonstrate the potential of skeleton-based approaches for modeling multi-person interactions.
• Abstract（参考訳）: グループアクティビティ認識の研究は、主に標準の2ストリームアプローチ(rgbとオプティカルフロー)を入力特徴としている。 明示的なポーズ情報を探究した者はほとんどおらず、直接それを使用して人のインタラクションを判断する者はいない。 本稿では,骨格情報を利用して個人間の相互作用を直接学習する。 提案手法では,身体関節間の関係をペア・バイ・ペアで記述する独立加群から複数の関係型を推定する。 また, 関節関係に加えて, 個人と関連する物体(バレーボールなど)との関係についても実験を行った。 個々の別な関係は、グループ活動の区別に関係のある個人にとってより重要となる注意機構によって統合される。 本手法をバレーボールデータセットで評価し,最新技術との競争結果を得た。 本実験は,多人数インタラクションをモデル化するための骨格型アプローチの可能性を示す。

関連論文リスト

• Relation Learning and Aggregate-attention for Multi-person Motion Prediction [13.052342503276936]
  多対人動作予測は、骨格構造や人間の軌道だけでなく、他者との相互作用も考慮している。 それまでの手法では、個人内の結合関係(イントラリレーション)とグループ間の相互作用(インターリレーション)は異なる種類の表現であるとしばしば見落としていた。 我々はこれらの関係を明示的にモデル化する多人数動作予測のための新しい協調フレームワークを提案する。
  論文  参考訳（メタデータ） (2024-11-06T07:48:30Z)
• Visual-Geometric Collaborative Guidance for Affordance Learning [63.038406948791454]
  本稿では,視覚的・幾何学的手がかりを取り入れた視覚・幾何学的協調学習ネットワークを提案する。 本手法は,客観的指標と視覚的品質の代表的なモデルより優れている。
  論文  参考訳（メタデータ） (2024-10-15T07:35:51Z)
• Exploring Self- and Cross-Triplet Correlations for Human-Object Interaction Detection [38.86053346974547]
  本稿では,HOI検出のための自己相関とクロストリプレット相関について検討する。 具体的には、各三重項提案を、Human、Objectがノードを表し、Actionがエッジを示すグラフとみなす。 また、インスタンスレベル、セマンティックレベル、レイアウトレベルの関係を共同で検討することで、クロストリップの依存関係についても検討する。
  論文  参考訳（メタデータ） (2024-01-11T05:38:24Z)
• Group Activity Recognition via Dynamic Composition and Interaction [8.83578086094184]
  本研究では,動的合成モジュール(DcM)と動的相互作用モジュール(DiM)を併用したDynamicFormerを提案する。 グループ構成と人間と物体の相互作用に関する知見は、私たちの中核的なアイデアを刺激する。 我々は,2つの公開データセットに対して広範な実験を行い,その手法が最先端を実現することを示す。
  論文  参考訳（メタデータ） (2023-05-09T16:18:18Z)
• Rethinking Trajectory Prediction via "Team Game" [118.59480535826094]
  本稿では,対話型グループコンセンサスの概念を明示的に導入した,マルチエージェント軌道予測の新しい定式化について述べる。 チームスポーツと歩行者の2つのマルチエージェント設定において,提案手法は既存手法と比較して常に優れた性能を達成している。
  論文  参考訳（メタデータ） (2022-10-17T07:16:44Z)
• Multi-Agent Imitation Learning with Copulas [102.27052968901894]
  マルチエージェント模倣学習は、観察と行動のマッピングを学習することで、デモからタスクを実行するために複数のエージェントを訓練することを目的としている。 本稿では,確率変数間の依存を捉える強力な統計ツールである copula を用いて,マルチエージェントシステムにおける相関関係と協調関係を明示的にモデル化する。 提案モデルでは,各エージェントの局所的行動パターンと,エージェント間の依存構造のみをフルにキャプチャするコプラ関数を別々に学習することができる。
  論文  参考訳（メタデータ） (2021-07-10T03:49:41Z)
• Information Interaction Profile of Choice Adoption [2.9972063833424216]
  相互作用するエンティティを分離する時間的距離に応じて、エンティティの相互作用ネットワークとその進化を推定する効率的な方法を紹介します。 相互作用プロファイルは、相互作用プロセスのメカニズムを特徴付けることができます。 ユーザに対する露出の組み合わせの効果は、各露出の独立した効果の総和以上のものであることを示す。
  論文  参考訳（メタデータ） (2021-04-28T10:42:25Z)
• Learning Relation Prototype from Unlabeled Texts for Long-tail Relation Extraction [84.64435075778988]
  本稿では,ラベルのないテキストから関係プロトタイプを学習するための一般的なアプローチを提案する。 我々は、エンティティ間の暗黙的な要因として関係プロトタイプを学習する。 私たちは、New York TimesとGoogle Distant Supervisionの2つの公開データセットで実験を行います。
  論文  参考訳（メタデータ） (2020-11-27T06:21:12Z)
• Learning to Decouple Relations: Few-Shot Relation Classification with Entity-Guided Attention and Confusion-Aware Training [49.9995628166064]
  本稿では,2つのメカニズムを備えたモデルであるCTEGを提案する。 一方、注意を誘導するEGA機構を導入し、混乱を引き起こす情報をフィルタリングする。 一方,コンフュージョン・アウェア・トレーニング(CAT)法は,関係の識別を明示的に学習するために提案されている。
  論文  参考訳（メタデータ） (2020-10-21T11:07:53Z)
• Interactions in information spread: quantification and interpretation using stochastic block models [3.5450828190071655]
  ソーシャルネットワークでは、ユーザーの行動は、対話する人々、フィード内のニュース、トレンドトピックから生じる。 本稿では、エンティティ間のインタラクションの役割を調査する新しいモデル、Interactive Mixed Membership Block Model (IMMSBM)を提案する。 推論タスクでは、それらを考慮すれば、結果の確率の最大150%の非相互作用モデルに対する平均的な相対的な変化につながる。
  論文  参考訳（メタデータ） (2020-04-09T14:22:10Z)

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。