Fugu-MT 論文翻訳(概要): SALAD: Self-Assessment Learning for Action Detection

論文の概要: SALAD: Self-Assessment Learning for Action Detection

arxiv url: http://arxiv.org/abs/2011.06958v1
Date: Fri, 13 Nov 2020 15:10:40 GMT
ステータス: 処理完了
システム内更新日: 2022-09-25 23:17:31.848888
Title: SALAD: Self-Assessment Learning for Action Detection
Title（参考訳）: SALAD:行動検出のための自己評価学習
Authors: Guillaume Vaudaux-Ruth, Adrien Chan-Hon-Tong, Catherine Achard
Abstract要約: 本研究では,行動検出の枠組み内での自己評価スコアの学習により,行動ローカライズプロセス全体の改善が可能であることを示す。提案手法は,2つのアクション検出ベンチマークにおいて,最先端の手法よりも優れている。
参考スコア（独自算出の注目度）: 4.189643331553922
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Literature on self-assessment in machine learning mainly focuses on the production of well-calibrated algorithms through consensus frameworks i.e. calibration is seen as a problem. Yet, we observe that learning to be properly confident could behave like a powerful regularization and thus, could be an opportunity to improve performance.Precisely, we show that used within a framework of action detection, the learning of a self-assessment score is able to improve the whole action localization process.Experimental results show that our approach outperforms the state-of-the-art on two action detection benchmarks. On THUMOS14 dataset, the mAP at tIoU@0.5 is improved from 42.8\% to 44.6\%, and from 50.4\% to 51.7\% on ActivityNet1.3 dataset. For lower tIoU values, we achieve even more significant improvements on both datasets.
Abstract（参考訳）: 機械学習における自己評価に関する文献は、主にコンセンサスフレームワークによるよく校正されたアルゴリズムの作成に焦点を当てている。しかし、適切に自信を持つ学習は強力な正規化のように振る舞うことができ、パフォーマンス向上の機会となり得ることを観察し、より正確には、アクション検出の枠組みの中で使用される自己評価スコアの学習は、アクションローカライズプロセス全体を改善することができることを示す。 THUMOS14データセットでは、tIoU@0.5のmAPは42.8\%から44.6\%に改善され、ActivityNet1.3データセットでは50.4\%から51.7\%に改善されている。 tIoU値が低い場合には、両方のデータセットでさらに大きな改善が得られます。

関連論文リスト

STAT: Towards Generalizable Temporal Action Localization [56.634561073746056]
WTAL(Wakly-supervised temporal action Localization)は、ビデオレベルのラベルだけでアクションインスタンスを認識およびローカライズすることを目的としている。既存の手法は、異なる分布に転送する際の重大な性能劣化に悩まされる。本稿では,アクションローカライズ手法の一般化性向上に焦点を当てたGTALを提案する。
論文参考訳（メタデータ） (2024-04-20T07:56:21Z)
BAL: Balancing Diversity and Novelty for Active Learning [53.289700543331925]
多様な不確実なデータのバランスをとるために適応的なサブプールを構築する新しいフレームワークであるBalancing Active Learning (BAL)を導入する。我々のアプローチは、広く認識されているベンチマークにおいて、確立されたすべてのアクティブな学習方法より1.20%優れています。
論文参考訳（メタデータ） (2023-12-26T08:14:46Z)
Augmenting Unsupervised Reinforcement Learning with Self-Reference [63.68018737038331]
人間は、新しいタスクを学ぶ際に、過去の経験を明確に表現する能力を持っている。本稿では,歴史情報を活用するためのアドオンモジュールとして,自己参照(SR)アプローチを提案する。提案手法は,非教師付き強化学習ベンチマークにおけるIQM(Interquartile Mean)性能と最適ギャップ削減の両面から,最先端の成果を実現する。
論文参考訳（メタデータ） (2023-11-16T09:07:34Z)
Patch-Level Contrasting without Patch Correspondence for Accurate and Dense Contrastive Representation Learning [79.43940012723539]
ADCLRは、正確で高密度な視覚表現を学習するための自己教師型学習フレームワークである。提案手法は, コントラッシブな手法のための新しい最先端性能を実現する。
論文参考訳（メタデータ） (2023-06-23T07:38:09Z)
Re-Benchmarking Pool-Based Active Learning for Binary Classification [27.034593234956713]
アクティブラーニング(英: Active Learning)は、ラベル付きデータを取得する際の機械学習モデルの性能を大幅に向上させるパラダイムである。アクティブな学習戦略を評価するためのベンチマークはいくつか存在するが、それらの発見はいくつかの誤解を示している。この不一致は、コミュニティのために透明で再現可能なベンチマークを開発する動機となります。
論文参考訳（メタデータ） (2023-06-15T08:47:50Z)
Self-supervised Semi-supervised Learning for Data Labeling and Quality Evaluation [10.483508279350195]
提案手法では,効率的なデータラベリングとアノテーション検証の課題に対処する。本稿では,自己教師付き半教師付き学習を活用し,データラベリングや検証タスクの構築に利用する統一フレームワークを提案する。
論文参考訳（メタデータ） (2021-11-22T00:59:00Z)
To be Critical: Self-Calibrated Weakly Supervised Learning for Salient Object Detection [95.21700830273221]
弱教師付き有色物体検出(WSOD)は,画像レベルのアノテーションを用いた有色度モデルの開発を目的としている。擬似ラベルとネットワーク予測の相互校正ループを明確に設定し,自己校正学習戦略を提案する。十分に整合したアノテーションを持つはるかに小さなデータセットであっても、モデルがより優れたパフォーマンスと一般化性を達成するのに役立ちます。
論文参考訳（メタデータ） (2021-09-04T02:45:22Z)
How Knowledge Graph and Attention Help? A Quantitative Analysis into Bag-level Relation Extraction [66.09605613944201]
バッグレベルの関係抽出(RE)における注意と知識グラフの効果を定量的に評価する。その結果,(1)注目精度の向上は,エンティティ参照特徴を抽出するモデルの性能を損なう可能性があること,(2)注目性能は様々なノイズ分布パターンの影響が大きいこと,(3)KG強化された注目はRE性能を向上するが,その効果は注目度を向上させるだけでなく,先行するエンティティを組み込むことによっても改善することがわかった。
論文参考訳（メタデータ） (2021-07-26T09:38:28Z)
Uncertainty-sensitive Activity Recognition: a Reliability Benchmark and the CARING Models [37.60817779613977]
本稿では,現代の行動認識アーキテクチャの信頼度が,正しい結果の確率を反映していることを示す最初の研究を行う。新たなキャリブレーションネットワークを通じて、モデル出力を現実的な信頼性推定に変換する新しいアプローチを紹介します。
論文参考訳（メタデータ） (2021-01-02T15:41:21Z)
On the Marginal Benefit of Active Learning: Does Self-Supervision Eat Its Cake? [31.563514432259897]
本稿では,自己指導型事前学習,能動的学習,一貫性型自己学習を統合した新しい枠組みを提案する。 i) 自己指導型事前学習は、特に少数レーベル体制において、セミ教師付き学習を大幅に改善する。我々は、最先端のS4L技術と組み合わせることで、最先端のアクティブな学習アルゴリズムのさらなるメリットを観察できない。
論文参考訳（メタデータ） (2020-11-16T17:34:55Z)
Generalized Reinforcement Meta Learning for Few-Shot Optimization [3.7675996866306845]
本稿では, 汎用的かつ柔軟な強化学習(RL)に基づくメタラーニングフレームワークを提案する。我々のフレームワークは簡単にネットワークアーキテクチャ検索に拡張できる。
論文参考訳（メタデータ） (2020-05-04T03:21:05Z)

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。