論文の概要: Attentive pooling for Group Activity Recognition

• arxiv url: http://arxiv.org/abs/2208.14847v1
• Date: Wed, 31 Aug 2022 13:26:39 GMT
• ステータス: 処理完了
• システム内更新日: 2022-09-01 13:33:57.124987
• Title: Attentive pooling for Group Activity Recognition
• Title（参考訳）: グループ活動認識のための注意プール
• Authors: Ding Li, Yuan Xie, Wensheng Zhang, Yongqiang Tang and Zhizhong Zhang
• Abstract要約: グループ活動認識では、個人とそれに対応するグループの関係を表現するために階層的枠組みが広く採用されている。 そこで我々は,個人行動からグループ活動への重み付け情報移行を可能にする,新しいコンテキストプーリング手法,attentive poolingを提案する。
• 参考スコア（独自算出の注目度）: 23.241686027269928
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: In group activity recognition, hierarchical framework is widely adopted to represent the relationships between individuals and their corresponding group, and has achieved promising performance. However, the existing methods simply employed max/average pooling in this framework, which ignored the distinct contributions of different individuals to the group activity recognition. In this paper, we propose a new contextual pooling scheme, named attentive pooling, which enables the weighted information transition from individual actions to group activity. By utilizing the attention mechanism, the attentive pooling is intrinsically interpretable and able to embed member context into the existing hierarchical model. In order to verify the effectiveness of the proposed scheme, two specific attentive pooling methods, i.e., global attentive pooling (GAP) and hierarchical attentive pooling (HAP) are designed. GAP rewards the individuals that are significant to group activity, while HAP further considers the hierarchical division by introducing subgroup structure. The experimental results on the benchmark dataset demonstrate that our proposal is significantly superior beyond the baseline and is comparable to the state-of-the-art methods.
• Abstract（参考訳）: グループアクティビティ認識では、階層的フレームワークが個人とそのグループ間の関係を表現するために広く採用され、有望なパフォーマンスを達成している。 しかし, 従来の手法では, グループ活動認識に対する個人差が無視され, 最大/平均プール方式が採用されていた。 本稿では,個々の行動からグループ活動への重み付け情報移行を可能にする,注意プーリングと呼ばれる新しい文脈プーリングスキームを提案する。 注意機構を利用することで、注意プーリングは本質的に解釈可能であり、既存の階層モデルにメンバーコンテキストを組み込むことができる。 提案手法の有効性を検証するため,大域的注意プール (GAP) と階層的注意プール (HAP) の2つの具体的な注意プール法を設計した。 GAPはグループ活動に重要な個人に報酬を与える一方、HAPはサブグループ構造を導入することで階層的区分をさらに考慮する。 ベンチマークデータセットにおける実験結果は,提案手法がベースラインよりも著しく優れ,最先端手法に匹敵することを示した。

関連論文リスト

• Design and Analysis of Efficient Attention in Transformers for Social Group Activity Recognition [3.75292409381511]
  本稿では,変圧器のアテンションモジュールを利用してソーシャルグループ機能を生成することを提案する。 複数の埋め込みは、ソーシャルグループの特徴を集約するために使用され、それぞれが重複せずにグループメンバーに割り当てられる。 提案手法は最先端の性能を達成し,提案手法が社会集団の行動認識に極めて有効であることを検証した。
  論文  参考訳（メタデータ） (2024-04-15T17:40:23Z)
• A structured regression approach for evaluating model performance across intersectional subgroups [53.91682617836498]
  分散評価(disaggregated evaluation)は、AIフェアネスアセスメントにおける中心的なタスクであり、AIシステムのさまざまなサブグループ間でのパフォーマンスを測定することを目的としている。 非常に小さなサブグループであっても,信頼性の高いシステム性能推定値が得られることを示す。
  論文  参考訳（メタデータ） (2024-01-26T14:21:45Z)
• A Canonical Data Transformation for Achieving Inter- and Within-group Fairness [17.820200610132265]
  同一グループ内から個人間の公平性を維持するグループ内公正性の形式的定義を導入する。 本稿では,グループ間の公正度基準とグループ内公正度基準の両方を満たすための事前処理フレームワークを提案する。 この枠組みをCompASリスクアセスメントとLaw Schoolのデータセットに適用し、その性能を正規化に基づく2つの手法と比較する。
  論文  参考訳（メタデータ） (2023-10-23T17:00:20Z)
• Fairness Aware Counterfactuals for Subgroups [8.593488857185678]
  本稿では,サブグループのフェアネスを監査するフレームワークであるFACTS(Fairness Aware Counterfactuals for Subgroups)を紹介する。 我々は、特定のサブグループにおける個人の困難さの異なる側面を定式化し、談話を達成することを目的としている。 我々は、言論を達成するためのコストに対して、完全に不可避ではないが頑健な部分群フェアネスの概念を導入する。
  論文  参考訳（メタデータ） (2023-06-26T18:03:56Z)
• Ranking-based Group Identification via Factorized Attention on Social Tripartite Graph [68.08590487960475]
  グループ識別のための文脈的要因認識(CFAG)という,GNNに基づく新しいフレームワークを提案する。 我々は3部グラフ畳み込み層を考案し、ユーザ、グループ、アイテム間の異なる種類の近隣からの情報を集約する。 データ疎度問題に対処するため,提案した因子化注意機構に基づく新しい伝搬増強層を考案した。
  論文  参考訳（メタデータ） (2022-11-02T01:42:20Z)
• Rethinking Trajectory Prediction via "Team Game" [118.59480535826094]
  本稿では,対話型グループコンセンサスの概念を明示的に導入した,マルチエージェント軌道予測の新しい定式化について述べる。 チームスポーツと歩行者の2つのマルチエージェント設定において,提案手法は既存手法と比較して常に優れた性能を達成している。
  論文  参考訳（メタデータ） (2022-10-17T07:16:44Z)
• Hunting Group Clues with Transformers for Social Group Activity Recognition [3.1061678033205635]
  社会的グループ活動認識には、複数のサブグループ活動を認識し、グループメンバーを特定する必要がある。 既存のほとんどのメソッドは、リージョンの機能を精錬し、それらをアクティビティのフィーチャにまとめることで、両方のタスクに取り組みます。 我々は,効果的なソーシャルグループ機能を生成するために,トランスフォーマーのアテンションモジュールを活用することを提案する。 本手法は,アテンションモジュールが社会的グループ活動に関連する特徴を識別し,集約するように設計されている。
  論文  参考訳（メタデータ） (2022-07-12T01:46:46Z)
• Focus on the Common Good: Group Distributional Robustness Follows [47.62596240492509]
  本稿では,多様なグループ間で共有される特徴の学習を明示的に促進する,新しい,シンプルなアルゴリズムを提案する。 グループDROは、最低の正規化損失を持つグループに焦点を当て、代わりに、他のグループでもより良いパフォーマンスを実現するグループに焦点を当てるが、共有/共通機能を学ぶことにつながる可能性がある。
  論文  参考訳（メタデータ） (2021-10-06T09:47:41Z)
• Learning Multi-Attention Context Graph for Group-Based Re-Identification [214.84551361855443]
  オーバーラップしていないカメラシステムを介して人々のグループを再識別または取得することを学ぶことは、ビデオ監視において重要なアプリケーションです。 本研究では,グループre-idというグループを識別するためのコンテキスト情報の利用を検討する。 本研究では,グループベースリドタスクを同時に処理するグラフニューラルネットワークに基づく新しい統合フレームワークを提案する。
  論文  参考訳（メタデータ） (2021-04-29T09:57:47Z)
• Overcoming Data Sparsity in Group Recommendation [52.00998276970403]
  グループレコメンデータシステムは、ユーザの個人的な好みだけでなく、嗜好集約戦略も正確に学習できなければならない。 本稿では,BGEM(Bipartite Graphding Model)とGCN(Graph Convolutional Networks)を基本構造として,グループとユーザ表現を統一的に学習する。
  論文  参考訳（メタデータ） (2020-10-02T07:11:19Z)

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。