論文の概要: Precondition and Effect Reasoning for Action Recognition
- arxiv url: http://arxiv.org/abs/2112.10057v1
- Date: Sun, 19 Dec 2021 04:38:52 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-21 16:36:26.981869
- Title: Precondition and Effect Reasoning for Action Recognition
- Title（参考訳）: 行動認識のための前提条件と効果推論
- Authors: Yoo Hongsang, Li Haopeng, Ke Qiuhong, Liu Liangchen, Zhang Rui
- Abstract要約: 本稿では,行動認識の性能向上のための前提条件と効果に基づく因果関係のモデル化を提案する。
具体的には,行動認識のための因果関係を捉えるために,サイクル・推論モデルを提案する。
実験結果から,提案したサイクル推論モデルは,事前条件と効果を効果的に推論し,行動認識性能を向上させることができることがわかった。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Human action recognition has drawn a lot of attention in the recent years due
to the research and application significance. Most existing works on action
recognition focus on learning effective spatial-temporal features from videos,
but neglect the strong causal relationship among the precondition, action and
effect. Such relationships are also crucial to the accuracy of action
recognition. In this paper, we propose to model the causal relationships based
on the precondition and effect to improve the performance of action
recognition. Specifically, a Cycle-Reasoning model is proposed to capture the
causal relationships for action recognition. To this end, we annotate
precondition and effect for a large-scale action dataset. Experimental results
show that the proposed Cycle-Reasoning model can effectively reason about the
precondition and effect and can enhance action recognition performance.
- Abstract（参考訳）: 近年、人間の行動認識は研究と応用の重要性から多くの注目を集めている。
アクション認識に関する研究の多くは、ビデオから効果的な空間時間的特徴を学習することに焦点を当てているが、事前条件、行動、効果の間の強い因果関係を無視している。
このような関係は、行動認識の正確性にも不可欠である。
本稿では,行動認識の性能向上のための前提条件と効果に基づく因果関係のモデル化を提案する。
具体的には,行動認識のための因果関係を捉えるために,サイクルリゾンモデルを提案する。
この目的のために,大規模アクションデータセットにプリコンディションと効果をアノテートする。
実験の結果,提案手法は,事前条件と効果を効果的に判断し,行動認識性能を向上させることができることがわかった。
関連論文リスト
- From Recognition to Prediction: Leveraging Sequence Reasoning for Action Anticipation [30.161471749050833]
本稿では,ARR(Accence and Reasoning, 認識・推論)と呼ばれる注意機構を利用した新しいエンドツーエンドビデオモデリングアーキテクチャを提案する。
ARRは行動予測タスクを行動認識と推論タスクに分解し、次の行動予測(NAP)によって行動間の統計的関係を効果的に学習する。
さらに、広範囲なトレーニングデータを必要とする関係モデリングの課題に対処するために、デコーダの教師なし事前学習のための革新的なアプローチを提案する。
論文 参考訳（メタデータ） (2024-08-05T18:38:29Z) - Counterfactual Reasoning for Multi-Label Image Classification via Patching-Based Training [84.95281245784348]
共起関係の過度な強調は、モデルの過度な問題を引き起こす可能性がある。
本稿では,対象対象物とその共起対象物による相関特性を媒介者とみなすことができることを示す因果推論フレームワークを提案する。
論文 参考訳（メタデータ） (2024-04-09T13:13:24Z) - C-XGBoost: A tree boosting model for causal effect estimation [8.246161706153805]
因果効果推定は、平均処理効果と、治療の条件平均処理効果を、利用可能なデータから得られる結果に推定することを目的としている。
本稿では,C-XGBoost という新たな因果推論モデルを提案する。
論文 参考訳（メタデータ） (2024-03-31T17:43:37Z) - ACE : Off-Policy Actor-Critic with Causality-Aware Entropy Regularization [52.5587113539404]
因果関係を考慮したエントロピー(entropy)という用語を導入し,効率的な探索を行うための潜在的影響の高いアクションを効果的に識別し,優先順位付けする。
提案アルゴリズムであるACE:Off-policy Actor-critic with Causality-aware Entropy regularizationは,29種類の連続制御タスクに対して,大幅な性能上の優位性を示す。
論文 参考訳（メタデータ） (2024-02-22T13:22:06Z) - Learning Action-Effect Dynamics for Hypothetical Vision-Language
Reasoning Task [50.72283841720014]
本研究では,行動の効果に関する推論を改善する新しい学習戦略を提案する。
本稿では,提案手法の有効性を実証し,性能,データ効率,一般化能力の観点から,従来のベースラインに対する優位性を論じる。
論文 参考訳（メタデータ） (2022-12-07T05:41:58Z) - Self-Regulated Learning for Egocentric Video Activity Anticipation [147.9783215348252]
自己制御学習(SRL)は、中間表現を連続的に制御し、現在のタイムスタンプのフレームにおける新しい情報を強調する表現を作り出すことを目的としている。
SRLは2つのエゴセントリックなビデオデータセットと2つの第三者のビデオデータセットにおいて、既存の最先端技術よりも大幅に優れています。
論文 参考訳（メタデータ） (2021-11-23T03:29:18Z) - Skeleton-Based Mutually Assisted Interacted Object Localization and
Human Action Recognition [111.87412719773889]
本研究では,骨格データに基づく「相互作用対象の局所化」と「人間の行動認識」のための共同学習フレームワークを提案する。
本手法は,人間の行動認識のための最先端の手法を用いて,最高の,あるいは競争的な性能を実現する。
論文 参考訳（メタデータ） (2021-10-28T10:09:34Z) - Modeling long-term interactions to enhance action recognition [81.09859029964323]
本稿では,フレームレベルと時間レベルの両方でオブジェクト間の相互作用のセマンティクスを利用する,エゴセントリックなビデオのアンダースタンドアクションに対する新しいアプローチを提案する。
ユーザの手とほぼ対応するプライマリ領域と、相互作用するオブジェクトに対応する可能性のあるセカンダリ領域のセットを入力として、領域ベースのアプローチを使用する。
提案手法は, 標準ベンチマークの動作認識において, 最先端技術よりも優れている。
論文 参考訳（メタデータ） (2021-04-23T10:08:15Z) - ConvGRU in Fine-grained Pitching Action Recognition for Action Outcome
Prediction [4.073910992747716]
きめ細かい行動認識は、人間とロボットの相互作用、インテリジェントな交通管理、スポーツトレーニング、ヘルスケアなど、多くの分野において重要である。
本稿では,畳み込みゲートリカレントユニット(ConvGRU)法の性能について検討する。
人間の行動のRGB画像のシーケンスに基づいて、提案手法は79.17%の性能を達成した。
論文 参考訳（メタデータ） (2020-08-18T09:27:17Z)
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。