論文の概要: BEAR: A Video Dataset For Fine-grained Behaviors Recognition Oriented with Action and Environment Factors

• arxiv url: http://arxiv.org/abs/2503.20209v1
• Date: Wed, 26 Mar 2025 04:06:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-03-27 13:20:38.022282
• Title: BEAR: A Video Dataset For Fine-grained Behaviors Recognition Oriented with Action and Environment Factors
• Title（参考訳）: BEAR:行動・環境要因を考慮した微粒な行動認識のためのビデオデータセット
• Authors: Chengyang Hu, Yuduo Chen, Lizhuang Ma,
• Abstract要約: 我々は、BEARという、細粒度(類似した)の振る舞いを提供する、新しいビデオきめ細粒度行動データセットを開発した。 これには、類似した環境を持つきめ細かい行動と、類似した行動を伴うきめ細かい行動を含む2つのきめ細かい行動プロトコルが含まれる。 本研究は,行動認識の環境および行動に基づく側面を研究する上で重要な要素である入力モダリティの影響を主に検討する。
• 参考スコア（独自算出の注目度）: 27.372230107619973
• License:
• Abstract: Behavior recognition is an important task in video representation learning. An essential aspect pertains to effective feature learning conducive to behavior recognition. Recently, researchers have started to study fine-grained behavior recognition, which provides similar behaviors and encourages the model to concern with more details of behaviors with effective features for distinction. However, previous fine-grained behaviors limited themselves to controlling partial information to be similar, leading to an unfair and not comprehensive evaluation of existing works. In this work, we develop a new video fine-grained behavior dataset, named BEAR, which provides fine-grained (i.e. similar) behaviors that uniquely focus on two primary factors defining behavior: Environment and Action. It includes two fine-grained behavior protocols including Fine-grained Behavior with Similar Environments and Fine-grained Behavior with Similar Actions as well as multiple sub-protocols as different scenarios. Furthermore, with this new dataset, we conduct multiple experiments with different behavior recognition models. Our research primarily explores the impact of input modality, a critical element in studying the environmental and action-based aspects of behavior recognition. Our experimental results yield intriguing insights that have substantial implications for further research endeavors.
• Abstract（参考訳）: 行動認識は映像表現学習において重要な課題である。 重要な側面は、行動認識に影響を及ぼす効果的な特徴学習である。 近年、研究者は詳細な行動認識の研究を始めており、類似した行動を提供し、モデルがより詳細な行動と、効果的な特徴を区別するための関心を喚起している。 しかし、それまでのきめ細かい行動は、類似する部分的な情報の制御に限られていたため、既存の作品に対する不公平で包括的な評価には至らなかった。 本研究では、環境と行動を定義する2つの主要な要因に特化して焦点を絞った、きめ細かな(類似した)行動を提供するBEARという、新しいビデオきめ細かな行動データセットを開発する。 これには、類似した環境を持つきめ細かい振る舞いと、類似したアクションを持つきめ細かな振る舞いを含む2つのきめ細かい行動プロトコルと、異なるシナリオとして複数のサブプロトコルが含まれる。 さらに、この新しいデータセットを用いて、異なる行動認識モデルを用いて複数の実験を行う。 本研究は,行動認識の環境および行動に基づく側面を研究する上で重要な要素である入力モダリティの影響を主に検討する。 我々の実験結果は、さらなる研究に重要な意味を持つ興味深い洞察をもたらす。

関連論文リスト

• HabitAction: A Video Dataset for Human Habitual Behavior Recognition [3.7478789114676108]
  ヒトの習慣行動(HHBs)は、人の性格、習慣、心理的変化を分析する上で重要な役割を担っている。 本研究では,様々なHHBを実演するための新しいビデオデータセットを構築した。 データセットには、300,000フレーム以上と6,899のアクションインスタンスを含む、30の習慣行動カテゴリが含まれている。
  論文  参考訳（メタデータ） (2024-08-24T04:40:31Z)
• Personalized Behavior-Aware Transformer for Multi-Behavior Sequential Recommendation [25.400756652696895]
  マルチビヘイビアシーケンスレコメンデーション(MBSR)問題に対するパーソナライズされた行動認識変換フレームワーク(PBAT)を提案する。 PBATは表現層にパーソナライズされた振舞いパターン生成器を開発し,逐次学習のための動的・識別的な振舞いパターンを抽出する。 3つのベンチマークデータセットで実験を行い、その結果、フレームワークの有効性と解釈性を示した。
  論文  参考訳（メタデータ） (2024-02-22T12:03:21Z)
• Disentangled Interaction Representation for One-Stage Human-Object Interaction Detection [70.96299509159981]
  ヒューマン・オブジェクト・インタラクション(HOI)検出は、人間中心の画像理解のコアタスクである。 最近のワンステージ手法では、対話予測に有用な画像ワイドキューの収集にトランスフォーマーデコーダを採用している。 従来の2段階の手法は、非絡み合いで説明可能な方法で相互作用特徴を構成する能力から大きな恩恵を受ける。
  論文  参考訳（メタデータ） (2023-12-04T08:02:59Z)
• Decoding Neural Activity to Assess Individual Latent State in Ecologically Valid Contexts [1.1059590443280727]
  2つの高度に制御された実験室のパラダイムからのデータを用いて、2つの異なるドメイン一般化モデルを訓練する。 我々は、下層の潜伏状態と関連する神経活動パターンを推定する。
  論文  参考訳（メタデータ） (2023-04-18T15:15:00Z)
• Coarse-to-Fine Knowledge-Enhanced Multi-Interest Learning Framework for Multi-Behavior Recommendation [52.89816309759537]
  マルチタイプの行動(例えば、クリック、カートの追加、購入など)は、ほとんどの現実世界のレコメンデーションシナリオに広く存在する。 最先端のマルチ振る舞いモデルは、すべての歴史的相互作用を入力として区別しない振る舞い依存を学習する。 本稿では,多様な行動に対する共有的・行動特異的な関心を学習するための,多目的学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-08-03T05:28:14Z)
• Few-Shot Fine-Grained Action Recognition via Bidirectional Attention and Contrastive Meta-Learning [51.03781020616402]
  現実世界のアプリケーションで特定のアクション理解の需要が高まっているため、きめ細かいアクション認識が注目を集めている。 そこで本研究では,各クラスに付与されるサンプル数だけを用いて,新規なきめ細かい動作を認識することを目的とした,数発のきめ細かな動作認識問題を提案する。 粒度の粗い動作では進展があったが、既存の数発の認識手法では、粒度の細かい動作を扱う2つの問題に遭遇する。
  論文  参考訳（メタデータ） (2021-08-15T02:21:01Z)
• Towards Unbiased Visual Emotion Recognition via Causal Intervention [63.74095927462]
  本稿では,データセットバイアスによる負の効果を軽減するために,新しい感情認識ネットワーク(IERN)を提案する。 IERNの有効性を検証する一連の設計されたテストと、3つの感情ベンチマークの実験は、IERNが他の最先端のアプローチよりも優れていることを示した。
  論文  参考訳（メタデータ） (2021-07-26T10:40:59Z)
• Affect Analysis in-the-wild: Valence-Arousal, Expressions, Action Units and a Unified Framework [83.21732533130846]
  Aff-Wild と Aff-Wild2 の2つである。 これは、これらのデータベースで訓練された深層ニューラルネットワークの2つのクラスの設計を示す。 インパクト認識を共同で学び、効果的に一般化し、実行することができる新しいマルチタスクおよび全体主義のフレームワークが提示されます。
  論文  参考訳（メタデータ） (2021-03-29T17:36:20Z)
• Disentangling causal effects for hierarchical reinforcement learning [0.0]
  本研究は、因果効果の階層を生かして、タスク固有の行動の学習を迅速化することを目的とする。 変分オートエンコーダを用いて制御可能な効果の分布をモデル化する階層的手法CEHRLを提案する。 ランダムな行動による探索と比較して、実験結果はランダムな効果探索がより効率的なメカニズムであることを示している。
  論文  参考訳（メタデータ） (2020-10-03T13:19:16Z)
• Action similarity judgment based on kinematic primitives [48.99831733355487]
  運動学に基づく計算モデルが動作類似性を決定する範囲について検討する。 選択されたモデルは、発達ロボティクスにルーツを持ち、学習されたキネマティックプリミティブに基づいて行動分類を行う。 その結果, 動作類似性タスクにおいて, モデルと人的性能の双方が, 運動レベルの特徴に基づく精度が高いことがわかった。
  論文  参考訳（メタデータ） (2020-08-30T13:58:47Z)
• ConvGRU in Fine-grained Pitching Action Recognition for Action Outcome Prediction [4.073910992747716]
  きめ細かい行動認識は、人間とロボットの相互作用、インテリジェントな交通管理、スポーツトレーニング、ヘルスケアなど、多くの分野において重要である。 本稿では,畳み込みゲートリカレントユニット(ConvGRU)法の性能について検討する。 人間の行動のRGB画像のシーケンスに基づいて、提案手法は79.17%の性能を達成した。
  論文  参考訳（メタデータ） (2020-08-18T09:27:17Z)

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。