論文の概要: Anchor-Constrained Viterbi for Set-Supervised Action Segmentation

• arxiv url: http://arxiv.org/abs/2104.02113v1
• Date: Mon, 5 Apr 2021 18:50:21 GMT
• ステータス: 処理完了
• システム内更新日: 2021-04-07 14:12:00.178360
• Title: Anchor-Constrained Viterbi for Set-Supervised Action Segmentation
• Title（参考訳）: セットスーパービジョンアクションセグメンテーションのためのアンカー拘束ビタビ
• Authors: Jun Li, Sinisa Todorovic
• Abstract要約: 本論文では,トレーニングにおける弱い監督下でのアクションセグメンテーションについて述べる。 ビデオフレームのラベル付けには多層パーセプトロン(MLP)をベースとしたHMM(Hidden Markov Model)を用いる。 テストでは、トレーニングで見られるアクションセットのモンテカルロサンプリングを使用して、アクションの候補時間シーケンスを生成する。
• 参考スコア（独自算出の注目度）: 38.32743770719661
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper is about action segmentation under weak supervision in training, where the ground truth provides only a set of actions present, but neither their temporal ordering nor when they occur in a training video. We use a Hidden Markov Model (HMM) grounded on a multilayer perceptron (MLP) to label video frames, and thus generate a pseudo-ground truth for the subsequent pseudo-supervised training. In testing, a Monte Carlo sampling of action sets seen in training is used to generate candidate temporal sequences of actions, and select the maximum posterior sequence. Our key contribution is a new anchor-constrained Viterbi algorithm (ACV) for generating the pseudo-ground truth, where anchors are salient action parts estimated for each action from a given ground-truth set. Our evaluation on the tasks of action segmentation and alignment on the benchmark Breakfast, MPII Cooking2, Hollywood Extended datasets demonstrates our superior performance relative to that of prior work.
• Abstract（参考訳）: 本稿では,訓練における弱い監督の下での行動分断について述べる。そこでは,基礎的真理は行動のセットのみを提供するが,その時間的順序付けや訓練ビデオでの出来事は与えない。 多層パーセプトロン(mlp)上に接地した隠れマルコフモデル(hmm)を用いてビデオフレームをラベル付けし,その後の擬似教師付きトレーニングにおいて疑似基底真理を生成する。 テストでは、トレーニングで見られるアクションセットのモンテカルロサンプリングを使用して、アクションの候補時間シーケンスを生成し、最大後方シーケンスを選択する。 我々の重要な貢献は、与えられた接地集合から各作用についてアンカーが推定される、擬似接地真理を生成する新しいアンカー拘束型ビタービアルゴリズム(acv)である。 Breakfast, MPII Cooking2, Hollywood Extended datasets のアクションセグメンテーションとアライメントのタスクに対する評価は, これまでの作業と比較して, 我々の優れたパフォーマンスを示している。

関連論文リスト

• Open-Vocabulary Spatio-Temporal Action Detection [59.91046192096296]
  OV-STAD (Open-vocabulary-temporal action detection) は,ビデオ理解において重要な課題である。 OV-STADは、ボックスとラベルを監督する限定されたベースクラスでモデルをトレーニングする必要がある。 局所的なビデオ領域とテキストのペアに対して、細かなアクション検出タスクに対して、より精巧なVLMを適用するために、慎重に微調整を行う。
  論文  参考訳（メタデータ） (2024-05-17T14:52:47Z)
• Weakly-Supervised Temporal Action Localization with Bidirectional Semantic Consistency Constraint [83.36913240873236]
  WTAL(Weakly Supervised Temporal Action Localization)は、ビデオの時間的境界を分類し、ローカライズすることを目的としている。 本研究では,双方向意味整合性制約 (Bi-SCC) という単純な手法を提案する。 実験結果から,THUMOS14とActivityNetの最先端手法よりも優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-04-25T07:20:33Z)
• Fine-grained Temporal Contrastive Learning for Weakly-supervised Temporal Action Localization [87.47977407022492]
  本稿では,シーケンス・ツー・シーケンスの区別を文脈的に比較することで学習が,弱い教師付き行動の局所化に不可欠な帰納的バイアスをもたらすことを論じる。 微分可能な動的プログラミングの定式化の下では、FSD(Fen-fine Sequence Distance)とLCS(Longest Common Subsequence)の2つの相補的コントラストが設計されている。 提案手法は,2つのベンチマークにおいて最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-03-31T05:13:50Z)
• Unsupervised Pre-training for Temporal Action Localization Tasks [76.01985780118422]
  本稿では、Pseudo Action Localization (PAL) と呼ばれる自己教師付きプレテキストタスクを、時間的アクションローカライゼーションタスク(UP-TAL)のための教師なし事前訓練機能エンコーダに提案する。 具体的には、まず1つのビデオから複数のクリップを含む時間領域をランダムに選択し、他の2つのビデオの異なる時間的位置に貼り付ける。 前提課題は、2つの合成ビデオからペーストした擬似行動領域の特徴を調整し、両者の合意を最大化することである。
  論文  参考訳（メタデータ） (2022-03-25T12:13:43Z)
• Boundary-aware Self-supervised Learning for Video Scene Segmentation [20.713635723315527]
  シーンセグメンテーション(英: Video scene segmentation)は、ビデオ内のシーン境界を時間的に局所化するタスクである。 本稿では,3つの境界対応プレテキストタスク,ショットシーンマッチング,コンテキストグループマッチング,擬似境界予測を紹介する。 我々はMovieNet-SSegベンチマークの最先端性を実現する。
  論文  参考訳（メタデータ） (2022-01-14T02:14:07Z)
• Unsupervised Action Segmentation with Self-supervised Feature Learning and Co-occurrence Parsing [32.66011849112014]
  時間的アクションセグメンテーションは、ビデオの各フレームをアクションラベルで分類するタスクである。 本研究では,ラベル付けされていないビデオのコーパスで動作する自己教師型手法を探索し,ビデオ全体にわたる時間的セグメントのセットを予測する。 我々は,行動の構造に基づくサブアクション間の相関を捉えるだけでなく,そのサブアクションの時間的軌跡を正確かつ一般的な方法で推定する,新しい共起動作解析アルゴリズムであるCAPを開発した。
  論文  参考訳（メタデータ） (2021-05-29T00:29:40Z)
• Action Shuffle Alternating Learning for Unsupervised Action Segmentation [38.32743770719661]
  我々は、正および負のアクションシーケンスを認識するためにRNNを訓練し、RNNの隠蔽層を新しいアクションレベルの特徴埋め込みとして捉えた。 動作の監視ができないため、アクション長を明示的にモデル化したHMMを指定し、ViterbiアルゴリズムによるMAPアクションセグメンテーションを推論する。 結果として生じるアクションセグメンテーションは、アクションレベルの機能埋め込みとHMMの更新を推定するための疑似根拠の真実として使用されます。
  論文  参考訳（メタデータ） (2021-04-05T18:58:57Z)
• Action Duration Prediction for Segment-Level Alignment of Weakly-Labeled Videos [4.318555434063273]
  本稿では,ビデオレベルアクションの順序列のみをトレーニングに使用可能な,弱教師付きアクションアライメントに焦点を当てる。 本研究では,ビデオの短時間の時間的ウィンドウをキャプチャし,そのアクションの種類に基づいて,任意の時点における動作の残余時間を予測する新しい時間的ネットワークを提案する。
  論文  参考訳（メタデータ） (2020-11-20T03:16:53Z)
• Weakly Supervised Temporal Action Localization with Segment-Level Labels [140.68096218667162]
  時間的アクションローカライゼーションは、テストパフォーマンスとアノテーション時間コストのトレードオフを示す。 ここでは、アノテーションがアクションを観察するときにセグメントがラベル付けされる。 我々は、ラベル付きセグメントから積分的な動作部分を学ぶために、損失サンプリングと見なされる部分的なセグメント損失を考案する。
  論文  参考訳（メタデータ） (2020-07-03T10:32:19Z)
• Set-Constrained Viterbi for Set-Supervised Action Segmentation [40.22433538226469]
  本論文は、弱い教師付きアクションセグメンテーションについて述べる。 基礎的な真実は、トレーニングビデオに存在する一連のアクションのみを特定するが、真の時間的順序は示さない。 我々は、アクションクラスとその時間的長さの共起を考慮に入れたHMMを指定することで、このフレームワークを拡張した。
  論文  参考訳（メタデータ） (2020-02-27T05:32:52Z)

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。