Fugu-MT 論文翻訳(概要): Refining Action Boundaries for One-stage Detection

論文の概要: Refining Action Boundaries for One-stage Detection

arxiv url: http://arxiv.org/abs/2210.14284v1
Date: Tue, 25 Oct 2022 19:14:07 GMT
ステータス: 処理完了
システム内更新日: 2022-10-27 14:39:40.538564
Title: Refining Action Boundaries for One-stage Detection
Title（参考訳）: 一段階検出のための精製動作境界
Authors: Hanyuan Wang and Majid Mirmehdi and Dima Damen and Toby Perrett
Abstract要約: アクション境界と対応するクラスを同時に予測する現在の1段階のアクション検出方法は、その境界予測に対する信頼度を推定または使用しない。我々は,高信頼度境界予測のための追加予測ヘッドにより,境界信頼度を1段階のアンカーフリー検出に組み込む。
参考スコア（独自算出の注目度）: 29.35831686797685
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Current one-stage action detection methods, which simultaneously predict action boundaries and the corresponding class, do not estimate or use a measure of confidence in their boundary predictions, which can lead to inaccurate boundaries. We incorporate the estimation of boundary confidence into one-stage anchor-free detection, through an additional prediction head that predicts the refined boundaries with higher confidence. We obtain state-of-the-art performance on the challenging EPIC-KITCHENS-100 action detection as well as the standard THUMOS14 action detection benchmarks, and achieve improvement on the ActivityNet-1.3 benchmark.
Abstract（参考訳）: アクション境界と対応するクラスを同時に予測する現在の1段階のアクション検出方法は、境界予測に対する信頼度を見積もたり、使用しないため、不正確な境界につながる可能性がある。我々は,高信頼度境界予測のための追加予測ヘッドにより,境界信頼度を1段階のアンカーフリー検出に組み込む。我々は,EPIC-KITCHENS-100 アクション検出と標準 THUMOS14 アクション検出ベンチマークの最先端性能を取得し,ActivityNet-1.3 ベンチマークで改善した。

関連論文リスト

UAHOI: Uncertainty-aware Robust Interaction Learning for HOI Detection [18.25576487115016]
本稿では,Human-Object Interaction(HOI)検出について述べる。与えられた画像やビデオフレーム内の人間とオブジェクト間の相互作用を識別し、理解するという課題に対処する。本研究では,不確実性を考慮したロバストなヒューマンオブジェクトインタラクション学習であるtextscUAHOIを提案する。
論文参考訳（メタデータ） (2024-08-14T10:06:39Z)
Conformal Performance Range Prediction for Segmentation Output Quality Control [6.519799925813643]
提案手法は,ユーザの特定確率に基底真理を含ませることの統計的保証を伴って,性能範囲を予測する新しい手法である。 FIVES網膜血管セグメンテーションデータセットへのアプローチを実証し、5つの一般的なサンプリングベース不確実性推定手法を比較した。
論文参考訳（メタデータ） (2024-07-18T09:10:25Z)
Score Matching-based Pseudolikelihood Estimation of Neural Marked Spatio-Temporal Point Process with Uncertainty Quantification [59.81904428056924]
我々は、不確実な定量化を伴うmarkPsを学習するためのスコアMAtching推定器であるSMASHを紹介する。具体的には,スコアマッチングによるマークPsの擬似的類似度を推定することにより,正規化自由度を推定する。提案手法の優れた性能は、事象予測と不確実性定量化の両方において広範な実験によって実証される。
論文参考訳（メタデータ） (2023-10-25T02:37:51Z)
Unsupervised Anomaly Detection with Rejection [19.136286864839846]
異常検知器は直観を用いて決定境界を学習するが、実際に検証することは困難である。これに対抗する方法の1つは、検出器が高い不確実性のある例を拒否できるようにすることである。これは、決定境界までの距離を捉え、低信頼の予測を拒否するために拒絶しきい値を設定する信頼度基準を用いる必要がある。
論文参考訳（メタデータ） (2023-05-22T16:22:32Z)
TRUST-LAPSE: An Explainable and Actionable Mistrust Scoring Framework for Model Monitoring [4.262769931159288]
連続モデル監視のための"ミストラスト"スコアリングフレームワークであるTRUST-LAPSEを提案する。我々は,各入力サンプルのモデル予測の信頼性を,潜時空間埋め込みのシーケンスを用いて評価する。 AUROCs 84.1 (vision), 73.9 (audio), 77.1 (clinical EEGs)
論文参考訳（メタデータ） (2022-07-22T18:32:38Z)
Trajectory Forecasting from Detection with Uncertainty-Aware Motion Encoding [121.66374635092097]
物体検出と追跡から得られる軌道は、必然的にうるさい。本稿では, 明示的に形成された軌道に依存することなく, 直接検出結果に基づく軌道予測器を提案する。
論文参考訳（メタデータ） (2022-02-03T09:09:56Z)
Self-supervised Pretraining with Classification Labels for Temporal Activity Detection [54.366236719520565]
時間的アクティビティ検出は、1フレーム当たりのアクティビティクラスを予測することを目的としている。検出に必要なフレームレベルのアノテーションが高価なため、検出データセットの規模は限られている。本研究では,分類ラベルを利用した自己教師付き事前学習手法を提案する。
論文参考訳（メタデータ） (2021-11-26T18:59:28Z)
Localization Uncertainty-Based Attention for Object Detection [8.154943252001848]
ガウスモデルを用いて, 4方向位置決めの不確かさを予測できる, より効率的な不確実性認識型高密度検出器 (UADET) を提案する。 MS COCOベンチマークを用いた実験によると、UADETはベースラインFCOSを一貫して上回り、最高のモデルであるResNext-64x4d-101-DCNは、COCOテストデーブで48.3%の単一スケールAPを得る。
論文参考訳（メタデータ） (2021-08-25T04:32:39Z)
Learning Uncertainty For Safety-Oriented Semantic Segmentation In Autonomous Driving [77.39239190539871]
自律運転における安全クリティカル画像セグメンテーションを実現するために、不確実性推定をどのように活用できるかを示す。相似性関数によって測定された不一致予測に基づく新しい不確実性尺度を導入する。本研究では,提案手法が競合手法よりも推論時間において計算集約性が低いことを示す。
論文参考訳（メタデータ） (2021-05-28T09:23:05Z)
CoinDICE: Off-Policy Confidence Interval Estimation [107.86876722777535]
強化学習における高信頼行動非依存のオフ政治評価について検討する。様々なベンチマークにおいて、信頼区間推定が既存の手法よりも厳密で精度が高いことが示されている。
論文参考訳（メタデータ） (2020-10-22T12:39:11Z)
DeepStrip: High Resolution Boundary Refinement [60.00241966809684]
関心領域をストリップ画像に変換し、ストリップ領域の境界予測を計算することを提案する。対象境界を検出するために,2つの予測層を持つフレームワークを提案する。我々は、誤報を減らすために、整合性とC0連続性正規化をネットワークに強制する。
論文参考訳（メタデータ） (2020-03-25T22:44:48Z)

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。