論文の概要: Action Spotting using Dense Detection Anchors Revisited: Submission to the SoccerNet Challenge 2022

• arxiv url: http://arxiv.org/abs/2206.07846v1
• Date: Wed, 15 Jun 2022 23:22:36 GMT
• ステータス: 処理完了
• システム内更新日: 2022-06-17 15:00:53.719355
• Title: Action Spotting using Dense Detection Anchors Revisited: Submission to the SoccerNet Challenge 2022
• Title（参考訳）: ディエンス検出アンカーを用いたアクションスポッティング:2022年サッカーネットチャレンジへの提出
• Authors: Jo\~ao V. B. Soares and Avijit Shah
• Abstract要約: 本報告では,Action Spotting SoccerNet Challenge 2022への参加について述べる。 この課題はCVPR 2022 ActivityNet Workshopの一部である。
• 参考スコア（独自算出の注目度）: 0.951828574518325
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This technical report describes our submission to the Action Spotting SoccerNet Challenge 2022. The challenge is part of the CVPR 2022 ActivityNet Workshop. Our submission is based on a method that we proposed recently, which focuses on increasing temporal precision via a densely sampled set of detection anchors. Due to its emphasis on temporal precision, this approach is able to produce competitive results on the tight average-mAP metric, which uses small temporal evaluation tolerances. This recently proposed metric is the evaluation criterion used for the challenge. In order to further improve results, here we introduce small changes in the pre- and post-processing steps, and also combine different input feature types via late fusion. This report describes the resulting overall approach, focusing on the modifications introduced. We also describe the training procedures used, and present our results.
• Abstract（参考訳）: 本技術報告では,2022年のAction Spotting SoccerNet Challengeへの応募について述べる。 この課題はCVPR 2022 ActivityNet Workshopの一部である。 提案手法は,高密度サンプルを用いた検出アンカーによる時間精度の向上に着目した,最近提案した手法に基づく。 時間的精度に重点を置いているため、この手法は時間的評価許容度を小さくする厳密な平均mAP測定値の競争結果を生み出すことができる。 この最近提案された指標は、この課題に使用される評価基準である。 結果をさらに改善するために,前処理および後処理ステップの小さな変更を導入するとともに,レイトフュージョンによる様々な入力特徴型を組み合わせる。 本報告では,導入した修正に焦点をあてた,全体的なアプローチについて述べる。 また,使用するトレーニング手順を説明し,その結果について述べる。

関連論文リスト

• Harnessing Temporal Causality for Advanced Temporal Action Detection [53.654457142657236]
  本稿では,因果的注意と因果的マンバを組み合わせたCausalTADを提案する。 Ego4D Challenge 2024では,EPIC-Kitchens Challenge 2024では行動認識,行動検出,音声によるインタラクション検出トラックで1位,Ego4D Challenge 2024ではMoment Queriesトラックで1位にランクインした。
  論文  参考訳（メタデータ） (2024-07-25T06:03:02Z)
• Post-Processing Temporal Action Detection [134.26292288193298]
  時間的行動検出(TAD)法は、通常、入力された可変長のビデオを固定長のスニペット表現シーケンスに変換する際に、前処理のステップを踏む。 この前処理ステップは、ビデオを時間的にダウンサンプリングし、推論の解像度を低減し、元の時間分解における検出性能を阻害する。 モデルの再設計や再学習を伴わない新しいモデル非依存のポストプロセッシング手法を提案する。
  論文  参考訳（メタデータ） (2022-11-27T19:50:37Z)
• Zero-Shot Temporal Action Detection via Vision-Language Prompting [134.26292288193298]
  視覚言語プロンプト(STALE)を用いた新しいゼロショット時間行動検出モデルを提案する。 我々のモデルは最先端の代替品を著しく上回っている。 我々のモデルは、近年の強力な競合相手よりも監督的TADにおいて優れた結果をもたらす。
  論文  参考訳（メタデータ） (2022-07-17T13:59:46Z)
• ReAct: Temporal Action Detection with Relational Queries [84.76646044604055]
  本研究は,アクションクエリを備えたエンコーダ・デコーダフレームワークを用いて,時間的行動検出(TAD)の進展を図ることを目的とする。 まず,デコーダ内の関係注意機構を提案し,その関係に基づいてクエリ間の関心を誘導する。 最後に、高品質なクエリを区別するために、推論時に各アクションクエリのローカライズ品質を予測することを提案する。
  論文  参考訳（メタデータ） (2022-07-14T17:46:37Z)
• Context-aware Proposal Network for Temporal Action Detection [47.72048484299649]
  本報告では,CVPR-2022 AcitivityNet Challengeにおける時間的行動検出タスクの初当選ソリューションについて述べる。 このタスクは、アクションインスタンスの時間的境界を、長い未トリミングビデオの特定のクラスにローカライズすることを目的としている。 生成した提案にはリッチな文脈情報が含まれており、検出信頼度予測の恩恵を受ける可能性があると論じる。
  論文  参考訳（メタデータ） (2022-06-18T01:43:43Z)
• Proposal Relation Network for Temporal Action Detection [41.23726979184197]
  このタスクの目的は、長い未編集ビデオの興味ある行動を特定し、特定することである。 本ソリューションはBMN上に構築され,1) Slowfast, CSN, ViViTによる動作分類と特徴符号化, 2)提案生成の3段階を含む。 私たちは、異なる設定で結果をアンサンブルし、テストセットで44.7%を達成する。これは、平均mAPの観点で、ActivityNet 2020のチャンピオンの結果を1.9%改善します。
  論文  参考訳（メタデータ） (2021-06-20T02:51:34Z)
• A Stronger Baseline for Ego-Centric Action Detection [38.934802199184354]
  本稿では,CVPR2021ワークショップ主催のEPIC-KITCHENS-100コンペティションで使用した,エゴセントリックなビデオアクション検出手法について分析する。 我々の課題は、長い未トリミングビデオでアクションの開始時刻と終了時刻を特定し、アクションカテゴリを予測することである。 我々は、ショートデュレーションアクションに適応できる提案を生成するためにスライディングウインドウ戦略を採用する。
  論文  参考訳（メタデータ） (2021-06-13T08:11:31Z)
• Complementary Boundary Generator with Scale-Invariant Relation Modeling for Temporal Action Localization: Submission to ActivityNet Challenge 2020 [66.4527310659592]
  本報告では,ActivityNet Challenge 2020 Task 1への提出時に使用したソリューションの概要を紹介する。 時間的行動ローカライゼーションタスクを2段階(すなわち提案生成と分類)に分離し,提案の多様性を高める。 提案手法は,課題テストセット上での平均mAPを用いて,時間的動作の局所化タスクにおける最先端性能を実現する。
  論文  参考訳（メタデータ） (2020-07-20T04:35:40Z)

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。