論文の概要: Uncertainty-Driven Action Quality Assessment

• arxiv url: http://arxiv.org/abs/2207.14513v1
• Date: Fri, 29 Jul 2022 07:21:15 GMT
• ステータス: 処理完了
• システム内更新日: 2022-08-01 12:55:54.784833
• Title: Uncertainty-Driven Action Quality Assessment
• Title（参考訳）: 不確実性に基づく行動品質評価
• Authors: Caixia Zhou and Yaping Huang
• Abstract要約: 本稿では,1つの分岐のみを用いて複数の予測を生成する新しい不確実性駆動型AQA(UD-AQA)モデルを提案する。 我々は不確実性の推定を出力し、予測された不確実性を利用してAQA回帰損失を再重み付けする。 MTL-AQA と手術技術 JIGSAWS データセットについて,提案手法が最新の結果をもたらすことを示す実験結果を得た。
• 参考スコア（独自算出の注目度）: 11.921607570671805
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Automatic action quality assessment (AQA) has attracted more interests due to its wide applications. However, existing AQA methods usually employ the multi-branch models to generate multiple scores, which is not flexible for dealing with a variable number of judges. In this paper, we propose a novel Uncertainty-Driven AQA (UD-AQA) model to generate multiple predictions only using one single branch. Specifically, we design a CVAE (Conditional Variational Auto-Encoder) based module to encode the uncertainty, where multiple scores can be produced by sampling from the learned latent space multiple times. Moreover, we output the estimation of uncertainty and utilize the predicted uncertainty to re-weight AQA regression loss, which can reduce the contributions of uncertain samples for training. We further design an uncertainty-guided training strategy to dynamically adjust the learning order of the samples from low uncertainty to high uncertainty. The experiments show that our proposed method achieves new state-of-the-art results on the Olympic events MTL-AQA and surgical skill JIGSAWS datasets.
• Abstract（参考訳）: 自動行動品質評価(AQA)はその幅広い応用により、より多くの関心を集めている。 しかし、既存のAQAメソッドは通常、複数のスコアを生成するためにマルチブランチモデルを使用する。 本稿では,1つの分岐のみを用いて複数の予測を生成する新しい不確実性駆動型AQA(UD-AQA)モデルを提案する。 具体的には,不確実性を符号化するCVAE (Conditional Variational Auto-Encoder) ベースのモジュールを設計する。 さらに,不確実性の推定を出力し,予測不確実性を利用してAQA回帰損失を再重み付けし,トレーニングにおける不確実性サンプルの寄与を低減する。 さらに,不確実性から高い不確実性までサンプルの学習順序を動的に調整する不確実性誘導訓練戦略を考案する。 提案手法は,オリンピックイベントMTL-AQAと手術スキルJIGSAWSデータセットに対して,最新の結果が得られることを示す。

関連論文リスト

• Adversarial Robustness Overestimation and Instability in TRADES [4.063518154926961]
  TRADES は多クラス分類タスクにおける AutoAttack テストの精度と比較して,PGD の検証精度が極めて高い場合が多い。 この矛盾は、勾配マスキングに結びつく可能性のある、これらのインスタンスに対するロバストネスのかなりの過大評価を浮き彫りにする。
  論文  参考訳（メタデータ） (2024-10-10T07:32:40Z)
• Model-Based Epistemic Variance of Values for Risk-Aware Policy Optimization [59.758009422067]
  モデルベース強化学習における累積報酬に対する不確実性を定量化する問題を考察する。 我々は、解が値の真後分散に収束する新しい不確実性ベルマン方程式(UBE)を提案する。 本稿では,リスク・サーキングとリスク・アバース・ポリシー最適化のいずれにも適用可能な汎用ポリシー最適化アルゴリズムQ-Uncertainty Soft Actor-Critic (QU-SAC)を導入する。
  論文  参考訳（メタデータ） (2023-12-07T15:55:58Z)
• Uncertainty-aware Language Modeling for Selective Question Answering [107.47864420630923]
  本稿では,不確実性を考慮したLLMを生成するLLM変換手法を提案する。 我々のアプローチはモデルとデータに依存しず、計算効率が高く、外部モデルやシステムに依存しない。
  論文  参考訳（メタデータ） (2023-11-26T22:47:54Z)
• From Static Benchmarks to Adaptive Testing: Psychometrics in AI Evaluation [60.14902811624433]
  本稿では,静的評価手法から適応テストへのパラダイムシフトについて論じる。 これには、ベンチマークで各テスト項目の特性と価値を推定し、リアルタイムでアイテムを動的に調整することが含まれる。 我々は、AI評価にサイコメトリックを採用する現在のアプローチ、アドバンテージ、そして根底にある理由を分析します。
  論文  参考訳（メタデータ） (2023-06-18T09:54:33Z)
• Cross Learning in Deep Q-Networks [82.20059754270302]
  本稿では、値に基づく強化学習手法において、よく知られた過大評価問題を緩和することを目的とした、新しいクロスQ-ラーニングアルゴリズムを提案する。 本アルゴリズムは,並列モデルの集合を維持し,ランダムに選択されたネットワークに基づいてQ値を算出することによって,二重Q-ラーニングに基づいて構築する。
  論文  参考訳（メタデータ） (2020-09-29T04:58:17Z)
• Stochastic-YOLO: Efficient Probabilistic Object Detection under Dataset Shifts [8.656808451823172]
  本稿では、確立されたYOLOv3アーキテクチャを適用し、不確実性推定を生成する。 MC-YOLOは音響的アプローチであると主張しながら,感度解析を行った。
  論文  参考訳（メタデータ） (2020-09-07T09:28:17Z)
• Generating Adversarial Examples with an Optimized Quality [12.747258403133035]
  ディープラーニングモデルは、Adversarial Examples(AE)に対して脆弱であり、これらのモデルを欺くために慎重に作られたサンプルである。 近年の研究では、新たな敵攻撃法が導入されたが、工芸品の品質は保証されていない。 本稿では,画像品質評価(IQA)メトリクスをAEの設計・生成プロセスに組み込む。
  論文  参考訳（メタデータ） (2020-06-30T23:05:12Z)
• Uncertainty-aware Score Distribution Learning for Action Quality Assessment [91.05846506274881]
  行動品質評価(AQA)のための不確実性認識スコア分布学習(USDL)手法を提案する。 具体的には、異なる評価スコアの確率を記述したスコア分布に関連する事例として、アクションを考察する。 微粒なスコアラベルが利用できる状況下では、多パス不確実性を考慮したスコア分布学習法(MUSDL)を考案し、スコアの不整合成分を探索する。
  論文  参考訳（メタデータ） (2020-06-13T15:41:29Z)

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。