論文の概要: Semi-Supervised Teacher-Reference-Student Architecture for Action Quality Assessment

• arxiv url: http://arxiv.org/abs/2407.19675v1
• Date: Mon, 29 Jul 2024 03:36:39 GMT
• ステータス: 処理完了
• システム内更新日: 2024-07-30 15:06:20.416853
• Title: Semi-Supervised Teacher-Reference-Student Architecture for Action Quality Assessment
• Title（参考訳）: 行動品質評価のための半監督型教師参照学習型アーキテクチャ
• Authors: Wulian Yun, Mengshi Qi, Fei Peng, Huadong Ma,
• Abstract要約: アクション品質評価(AQA)手法は、完全に教師付き学習のための大量のラベルアノテーションを必要とすることが多い。 本稿では,大量のラベルのないデータを活用することで,AQAタスクのより良い評価に利用できる新しい半教師付き手法を提案する。
• 参考スコア（独自算出の注目度）: 33.01458098153753
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Existing action quality assessment (AQA) methods often require a large number of label annotations for fully supervised learning, which are laborious and expensive. In practice, the labeled data are difficult to obtain because the AQA annotation process requires domain-specific expertise. In this paper, we propose a novel semi-supervised method, which can be utilized for better assessment of the AQA task by exploiting a large amount of unlabeled data and a small portion of labeled data. Differing from the traditional teacher-student network, we propose a teacher-reference-student architecture to learn both unlabeled and labeled data, where the teacher network and the reference network are used to generate pseudo-labels for unlabeled data to supervise the student network. Specifically, the teacher predicts pseudo-labels by capturing high-level features of unlabeled data. The reference network provides adequate supervision of the student network by referring to additional action information. Moreover, we introduce confidence memory to improve the reliability of pseudo-labels by storing the most accurate ever output of the teacher network and reference network. To validate our method, we conduct extensive experiments on three AQA benchmark datasets. Experimental results show that our method achieves significant improvements and outperforms existing semi-supervised AQA methods.
• Abstract（参考訳）: 既存の行動品質評価(AQA)手法は、多くのラベルアノテーションを必要とすることが多い。 実際には、AQAアノテーションプロセスはドメイン固有の専門知識を必要とするため、ラベル付きデータは入手が困難である。 本稿では,大量のラベル付きデータと少量のラベル付きデータを活用することで,AQAタスクのより良い評価に利用できる新しい半教師付き手法を提案する。 そこで,教師ネットワークと参照ネットワークを併用して,教師ネットワークと教師ネットワークの擬似ラベルを生成し,学生ネットワークを監督する。 具体的には、教師は、未ラベルデータの高レベルな特徴を捉えて擬似ラベルを予測する。 参照ネットワークは、追加のアクション情報を参照して、学生ネットワークの適切な監視を提供する。 さらに,教師ネットワークと参照ネットワークの最も正確な出力を記憶することで,疑似ラベルの信頼性を向上させるための信頼性メモリを導入する。 提案手法を検証するため,3つのAQAベンチマークデータセットについて広範な実験を行った。 実験結果から,本手法は既存の半教師付きAQA法よりも大幅に改善され,性能が向上することが示された。

関連論文リスト

• Cyclic-Bootstrap Labeling for Weakly Supervised Object Detection [134.05510658882278]
  Cyclic-Bootstrap Labeling (CBL) は、弱制御されたオブジェクト検出パイプラインである。 様々な改良モジュールを活用するために、重み付けされた指数移動平均戦略を使用する。 重み付きアンサンブル型教師ネットワークの出力を活用するために, クラス別ランキング蒸留アルゴリズムを提案する。
  論文  参考訳（メタデータ） (2023-08-11T07:57:17Z)
• Active Teacher for Semi-Supervised Object Detection [80.10937030195228]
  半教師対象検出(SSOD)のための能動教師と呼ばれる新しいアルゴリズムを提案する。 Active Teacherは、教師/学生のフレームワークを反復的なバージョンに拡張し、ラベルセットを部分的に段階的に拡張し、ラベルなし例の3つの重要な要素を評価する。 この設計により、Active Teacherは、擬似ラベルの品質を改善しながら、限られたラベル情報の効果を最大化することができる。
  論文  参考訳（メタデータ） (2023-03-15T03:59:27Z)
• Label Matching Semi-Supervised Object Detection [85.99282969977541]
  半教師対象検出は,教師主導型自己学習の開発において大きな進歩を遂げている。 ラベルミスマッチ問題は、以前の研究でまだ完全に解明されていないため、自己学習中に重大な確証バイアスが生じる。 本稿では,2つの異なる相補的視点から,単純かつ効果的な LabelMatch フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-06-14T05:59:41Z)
• A Semi-Supervised Learning Approach with Two Teachers to Improve Breakdown Identification in Dialogues [25.499578161686355]
  そこで我々は,この課題に対処するために,教師・教師・学生を対象とした新しい学習フレームワークを提案する。 本稿では,ラベル付きデータと乱ラベル付きデータで学習した教師を2名紹介する。 我々は、未ラベルデータを活用して、未ラベルデータのラベル付けを洗練させるために2人の教師を雇う学生教育における分類を改善する。
  論文  参考訳（メタデータ） (2022-02-22T14:39:51Z)
• QUEACO: Borrowing Treasures from Weakly-labeled Behavior Data for Query Attribute Value Extraction [57.56700153507383]
  本稿では,QUEACOというEコマース検索におけるクエリ属性値の統一抽出システムを提案する。 NER フェーズでは、QUEACO は教師-学生ネットワークを採用し、強くラベル付けされたデータに基づいてトレーニングされた教師ネットワークが擬似ラベルを生成する。 AVN フェーズでは、弱いラベル付けされたクエリ・ツー・アトリビュート・ビヘイビア・データを利用して、クエリーから表層属性値の正規化を行い、製品から標準形式へと変換する。
  論文  参考訳（メタデータ） (2021-08-19T03:24:23Z)
• SLADE: A Self-Training Framework For Distance Metric Learning [75.54078592084217]
  我々は、追加のラベルのないデータを活用することで、検索性能を向上させるための自己学習フレームワークSLADEを提案する。 まず、ラベル付きデータに基づいて教師モデルをトレーニングし、ラベルなしデータに対して擬似ラベルを生成する。 次に、最終機能埋め込みを生成するために、ラベルと擬似ラベルの両方で学生モデルをトレーニングします。
  論文  参考訳（メタデータ） (2020-11-20T08:26:10Z)
• Improving Classification through Weak Supervision in Context-specific Conversational Agent Development for Teacher Education [1.215785021723604]
  教育シナリオ固有の会話エージェントを開発するのに必要な労力は、時間を要する。 アノテーションをモデリングするための従来のアプローチは、何千もの例をラベル付けし、アノテーション間の合意と多数決を計算することに依存してきた。 本稿では,これらの問題に対処するために,多タスク弱監視手法とアクティブラーニングを組み合わせた手法を提案する。
  論文  参考訳（メタデータ） (2020-10-23T23:39:40Z)
• Dual-Teacher: Integrating Intra-domain and Inter-domain Teachers for Annotation-efficient Cardiac Segmentation [65.81546955181781]
  本稿では,新しい半教師付きドメイン適応手法,すなわちDual-Teacherを提案する。 学生モデルは、2つの教師モデルによってラベル付けされていない対象データとラベル付けされた情報源データの知識を学習する。 提案手法では, ラベルなしデータとモダリティ間データとを並列に利用でき, 性能が向上することを示した。
  論文  参考訳（メタデータ） (2020-07-13T10:00:44Z)

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。