論文の概要: Boosting Semi-Supervised Temporal Action Localization by Learning from Non-Target Classes
- arxiv url: http://arxiv.org/abs/2403.11189v1
- Date: Sun, 17 Mar 2024 12:26:23 GMT
- ステータス: 処理完了
- システム内更新日: 2024-03-19 18:06:05.348655
- Title: Boosting Semi-Supervised Temporal Action Localization by Learning from Non-Target Classes
- Title（参考訳）: 非目標クラスからの学習による半監督的時間的行動局所化の促進
- Authors: Kun Xia, Le Wang, Sanping Zhou, Gang Hua, Wei Tang,
- Abstract要約: 本稿では,非対象クラスから学習し,従来の対象クラスのみに焦点を移すことを提唱する。
まず,対象のクラスに対する信頼度とランクの両方をモデル化することにより,ラベル空間から高品質な正負のクラスを適応的に選択する革新的な戦略を考案する。
最後に、正負のプロセスと負のプロセスがハイブリッドな正負の学習フレームワークに統合され、ラベル付きビデオとラベルなしビデオの両方で非ターゲットクラスの利用が容易になる。
- 参考スコア（独自算出の注目度）: 40.727616660278805
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: The crux of semi-supervised temporal action localization (SS-TAL) lies in excavating valuable information from abundant unlabeled videos. However, current approaches predominantly focus on building models that are robust to the error-prone target class (i.e, the predicted class with the highest confidence) while ignoring informative semantics within non-target classes. This paper approaches SS-TAL from a novel perspective by advocating for learning from non-target classes, transcending the conventional focus solely on the target class. The proposed approach involves partitioning the label space of the predicted class distribution into distinct subspaces: target class, positive classes, negative classes, and ambiguous classes, aiming to mine both positive and negative semantics that are absent in the target class, while excluding ambiguous classes. To this end, we first devise innovative strategies to adaptively select high-quality positive and negative classes from the label space, by modeling both the confidence and rank of a class in relation to those of the target class. Then, we introduce novel positive and negative losses designed to guide the learning process, pushing predictions closer to positive classes and away from negative classes. Finally, the positive and negative processes are integrated into a hybrid positive-negative learning framework, facilitating the utilization of non-target classes in both labeled and unlabeled videos. Experimental results on THUMOS14 and ActivityNet v1.3 demonstrate the superiority of the proposed method over prior state-of-the-art approaches.
- Abstract（参考訳）: 半監督的時間的行動ローカライゼーション(SS-TAL)の欠如は、豊富な未ラベルビデオから貴重な情報を発掘することにある。
しかしながら、現在のアプローチは、主にエラーを起こしやすいターゲットクラス(すなわち、最も信頼度の高い予測クラス)に対して堅牢なモデルの構築に焦点を合わせ、非ターゲットクラス内の情報的意味論を無視している。
本稿では,非対象クラスからの学習を提唱し,対象クラスにのみ焦点を移すことにより,新しい視点からSS-TALにアプローチする。
提案手法は,予測されたクラス分布のラベル空間を,対象クラス,正のクラス,負のクラス,曖昧なクラスという,異なる部分空間に分割することを含む。
この目的のために,我々はまず,対象クラスの信頼性とランクの両方をモデル化することにより,ラベル空間から高品質な正負のクラスを適応的に選択する革新的な戦略を考案した。
そこで,本研究では,学習過程をガイドし,正のクラスに近づき,負のクラスから遠ざかって予測を推し進める新規な正の損失と負の損失を導入する。
最後に、正負のプロセスと負のプロセスがハイブリッドな正負の学習フレームワークに統合され、ラベル付きビデオとラベルなしビデオの両方で非ターゲットクラスの利用が容易になる。
THUMOS14とActivityNet v1.3の実験結果は、従来の最先端手法よりも提案手法の方が優れていることを示している。
関連論文リスト
- Covariance-based Space Regularization for Few-shot Class Incremental Learning [25.435192867105552]
FSCIL(Few-shot Class Incremental Learning)では,ラベル付きデータに制限のあるクラスを継続的に学習する必要がある。
インクリメンタルセッションにおける限られたデータのため、モデルは新しいクラスを過度に適合させ、ベースクラスの破滅的な忘れを苦しむ傾向にある。
最近の進歩は、基本クラス分布を制約し、新しいクラスの識別的表現を学習するプロトタイプベースのアプローチに頼っている。
論文 参考訳（メタデータ） (2024-11-02T08:03:04Z) - Dual-level Adaptive Self-Labeling for Novel Class Discovery in Point Cloud Segmentation [15.000460515557211]
そこで我々は,点雲セグメンテーションにおける新しいクラス発見に挑戦し,見受けられるクラスの意味的知識に基づいて,新しいクラスを発見する。
既存の研究は、解の退化を避けるために、新しいクラスに等しいクラスサイズの制約を単純化したオンラインポイントワイズクラスタリング手法を提案する。
本研究では,モデル学習中に不均衡なクラスに対して,高品質な擬似ラベルを適応的に生成する新たな自己ラベル方式を提案する。
論文 参考訳（メタデータ） (2024-07-17T11:14:46Z) - Tendency-driven Mutual Exclusivity for Weakly Supervised Incremental Semantic Segmentation [56.1776710527814]
Weakly Incremental Learning for Semantic (WILSS)は、トレーニング済みのセグメンテーションモデルを利用して、コスト効率と手軽に利用できるイメージレベルのラベルを使用して、新しいクラスをセグメンテーションする。
WILSSを解く最も一般的な方法は、各新しいクラスのシード領域の生成であり、ピクセルレベルの監視の一形態として機能する。
本研究は, 種子領域の挙動を綿密に調整した, 相互排他性に関する革新的, 傾向的関係について提案する。
論文 参考訳（メタデータ） (2024-04-18T08:23:24Z) - Improving Weakly-Supervised Object Localization Using Adversarial Erasing and Pseudo Label [7.400926717561454]
本稿では,弱教師付きオブジェクトローカライゼーションの枠組みについて検討する。
それは、画像と画像レベルのクラスラベルのみを使用して、オブジェクトクラスとその位置を予測できるニューラルネットワークをトレーニングすることを目的としている。
論文 参考訳（メタデータ） (2024-04-15T06:02:09Z) - LLM meets Vision-Language Models for Zero-Shot One-Class Classification [4.094697851983375]
ゼロショットワンクラス視覚分類の問題を考える。
本稿では、視覚的に混乱するオブジェクトに対して、まず大きな言語モデルをクエリする2段階のソリューションを提案する。
我々は,そのラベルのみを用いて,あるカテゴリと他のセマンティック関連カテゴリを識別する能力を初めて示す。
論文 参考訳（メタデータ） (2024-03-31T12:48:07Z) - Exploring Vacant Classes in Label-Skewed Federated Learning [113.65301899666645]
クライアント間の局所的なラベル分布の相違を特徴とするラベルスキューは、連合学習において大きな課題となる。
本稿では, ラベルスキュード・フェデレート学習における新しい手法であるFedVLSについて紹介する。
論文 参考訳（メタデータ） (2024-01-04T16:06:31Z) - Few-Shot Class-Incremental Learning via Training-Free Prototype
Calibration [67.69532794049445]
既存のメソッドでは、新しいクラスのサンプルをベースクラスに誤分類する傾向があり、新しいクラスのパフォーマンスが低下する。
我々は,新しいクラスの識別性を高めるため,簡易かつ効果的なトレーニング-フレア・カロブラシアン (TEEN) 戦略を提案する。
論文 参考訳（メタデータ） (2023-12-08T18:24:08Z) - Learning with Complementary Labels Revisited: The Selected-Completely-at-Random Setting Is More Practical [66.57396042747706]
補完ラベル学習は、弱教師付き学習問題である。
均一分布仮定に依存しない一貫したアプローチを提案する。
相補的なラベル学習は、負のラベル付きバイナリ分類問題の集合として表現できる。
論文 参考訳（メタデータ） (2023-11-27T02:59:17Z) - GeT: Generative Target Structure Debiasing for Domain Adaptation [67.17025068995835]
ドメイン適応(DA)は、ドメインシフトの下で、完全にラベル付けされたソースからほとんどラベル付けされていない、または完全にラベル付けされていないターゲットに知識を転送することを目的としています。
近年,擬似ラベリングを利用した半教師付き学習(SSL)技術がDAでますます普及している。
本稿では,高品質な擬似ラベルを用いた非バイアス対象埋め込み分布を学習するGeTを提案する。
論文 参考訳（メタデータ） (2023-08-20T08:52:43Z) - Beyond cross-entropy: learning highly separable feature distributions
for robust and accurate classification [22.806324361016863]
本稿では, 対角的ロバスト性を提供する, ディープロバストなマルチクラス分類器を訓練するための新しい手法を提案する。
提案手法に基づく潜在空間の正則化は,優れた分類精度が得られることを示す。
論文 参考訳（メタデータ） (2020-10-29T11:15:17Z)
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。