論文の概要: FineCausal: A Causal-Based Framework for Interpretable Fine-Grained Action Quality Assessment

• arxiv url: http://arxiv.org/abs/2503.23911v1
• Date: Mon, 31 Mar 2025 10:02:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-01 14:35:11.567548
• Title: FineCausal: A Causal-Based Framework for Interpretable Fine-Grained Action Quality Assessment
• Title（参考訳）: FineCausal: ファイングラインドなアクション品質評価のための因果的フレームワーク
• Authors: Ruisheng Han, Kanglei Zhou, Amir Atapour-Abarghouei, Xiaohui Liang, Hubert P. H. Shum,
• Abstract要約: 我々はFineing-HMCaデータセット上で最先端のパフォーマンスを実現する新しい因果ベースのフレームワークであるFineusDivalを紹介する。 当社のアプローチでは,Graph Attention Networkベースの因果介入モジュールを活用して,バックグラウンド共同設立者から人間中心の手がかりを遠ざけている。 当社のデュアルモジュール戦略により、FinCausalは、最先端のスコアリング性能を達成するだけでなく、どの機能が評価を駆動するかを透過的かつ解釈可能なフィードバックを提供する、詳細な時間的表現を生成することができる。
• 参考スコア（独自算出の注目度）: 13.936546696317617
• License:
• Abstract: Action quality assessment (AQA) is critical for evaluating athletic performance, informing training strategies, and ensuring safety in competitive sports. However, existing deep learning approaches often operate as black boxes and are vulnerable to spurious correlations, limiting both their reliability and interpretability. In this paper, we introduce FineCausal, a novel causal-based framework that achieves state-of-the-art performance on the FineDiving-HM dataset. Our approach leverages a Graph Attention Network-based causal intervention module to disentangle human-centric foreground cues from background confounders, and incorporates a temporal causal attention module to capture fine-grained temporal dependencies across action stages. This dual-module strategy enables FineCausal to generate detailed spatio-temporal representations that not only achieve state-of-the-art scoring performance but also provide transparent, interpretable feedback on which features drive the assessment. Despite its strong performance, FineCausal requires extensive expert knowledge to define causal structures and depends on high-quality annotations, challenges that we discuss and address as future research directions. Code is available at https://github.com/Harrison21/FineCausal.
• Abstract（参考訳）: アクション品質アセスメント(AQA)は、運動性能の評価、トレーニング戦略の報知、競技競技における安全性の確保に重要である。 しかし、既存のディープラーニングアプローチはブラックボックスとして動作し、その信頼性と解釈可能性の両方を制限し、急激な相関に弱い。 本論文では、FineDiving-HMデータセット上で最先端のパフォーマンスを実現する新しい因果ベースのフレームワークであるFineCausalを紹介する。 提案手法では,グラフ注意ネットワークに基づく因果的介入モジュールを用いて,背景共同創設者から人中心的前景的手がかりを解き放つとともに,時間的因果的注意モジュールを組み込むことにより,アクションステージ間の微粒な時間的依存関係を捕捉する。 このデュアルモジュール戦略により、FineCausalは、最先端のスコアリング性能を達成するだけでなく、どの機能が評価を駆動するかを透過的に解釈可能なフィードバックを提供する、詳細な時空間表現を生成することができる。 優れた性能にもかかわらず、FinCausalは因果構造を定義するために豊富な専門知識を必要とし、高品質なアノテーション、今後の研究方向として議論し対処する課題に依存している。 コードはhttps://github.com/Harrison21/FineCausal.comで入手できる。

関連論文リスト

• FineParser: A Fine-grained Spatio-temporal Action Parser for Human-centric Action Quality Assessment [30.601466217201253]
  既存の行動品質評価(AQA)手法は、様々な行動を評価するために、主にビデオレベルで深い表現を学習する。 ビデオにおけるアクションのきめ細かい理解が欠如しているため、信頼性と解釈性が低く、オリンピックのダイビングイベントのような厳格な応用には不十分である。 我々は、アクションのきめ細かい理解には、時間と空間の両方でアクションを知覚し解析する必要があると論じ、これはAQA手法の信頼性と解釈可能性の鍵でもある。
  論文  参考訳（メタデータ） (2024-05-11T02:57:16Z)
• Cross-Block Fine-Grained Semantic Cascade for Skeleton-Based Sports Action Recognition [22.986672432150776]
  細粒度セマンティック (CFSC) モジュールを提案する。 CFSCは浅い視覚知識を高レベルブロックに統合し、ネットワークがアクションの詳細に集中できるようにする。 フェンシングスポーツのための新しいアクション認識データセットであるFD-7が収集され、一般公開される予定である。
  論文  参考訳（メタデータ） (2024-04-30T09:16:30Z)
• Doubly Robust Instance-Reweighted Adversarial Training [107.40683655362285]
  本稿では,2重のインスタンス再重み付き対向フレームワークを提案する。 KL偏差正規化損失関数の最適化により重みを求める。 提案手法は, 平均ロバスト性能において, 最先端のベースライン法よりも優れた性能を示す。
  論文  参考訳（メタデータ） (2023-08-01T06:16:18Z)
• Learning Prompt-Enhanced Context Features for Weakly-Supervised Video Anomaly Detection [37.99031842449251]
  弱い監督下での映像異常検出は重大な課題を呈する。 本稿では,効率的なコンテキストモデリングとセマンティック識別性の向上に焦点をあてた,弱教師付き異常検出フレームワークを提案する。 提案手法は,特定の異常なサブクラスの検出精度を大幅に向上させ,その実用的価値と有効性を裏付けるものである。
  論文  参考訳（メタデータ） (2023-06-26T06:45:16Z)
• Fairness meets Cross-Domain Learning: a new perspective on Models and Metrics [80.07271410743806]
  クロスドメイン学習(CD)とモデルフェアネスの関係について検討する。 いくつかの人口集団にまたがる顔画像と医療画像のベンチマークと、分類とローカライゼーションタスクについて紹介する。 本研究は,3つの最先端フェアネスアルゴリズムとともに,14のCDアプローチをカバーし,前者が後者に勝ることを示す。
  論文  参考訳（メタデータ） (2023-03-25T09:34:05Z)
• On Feature Learning in the Presence of Spurious Correlations [45.86963293019703]
  得られた特徴表現の質は,提案手法以外の設計決定に大きく影響されていることを示す。 我々は,人気のウォーターバード,セレブの髪の色予測,WILDS-FMOW問題に関する文献で報告された最良の結果を大幅に改善した。
  論文  参考訳（メタデータ） (2022-10-20T16:10:28Z)
• ReAct: Temporal Action Detection with Relational Queries [84.76646044604055]
  本研究は,アクションクエリを備えたエンコーダ・デコーダフレームワークを用いて,時間的行動検出(TAD)の進展を図ることを目的とする。 まず,デコーダ内の関係注意機構を提案し,その関係に基づいてクエリ間の関心を誘導する。 最後に、高品質なクエリを区別するために、推論時に各アクションクエリのローカライズ品質を予測することを提案する。
  論文  参考訳（メタデータ） (2022-07-14T17:46:37Z)
• FineDiving: A Fine-grained Dataset for Procedure-aware Action Quality Assessment [93.09267863425492]
  競争力のあるスポーツビデオにおける行動の高レベル意味論と内部時間構造の両方を理解することが、予測を正確かつ解釈可能なものにする鍵である、と我々は主張する。 本研究では,多様なダイビングイベントに対して,アクションプロシージャに関する詳細なアノテーションを付加した,ファインディビングと呼ばれる詳細なデータセットを構築した。
  論文  参考訳（メタデータ） (2022-04-07T17:59:32Z)
• Unsupervised Continual Learning via Self-Adaptive Deep Clustering Approach [20.628084936538055]
  本稿では,自己適応型深層学習者(KIERA)の知識保持について述べる。 KIERAは、弾力性のあるネットワーク構造を持つフレキシブル・ディープ・クラスタリング・アプローチの概念から開発され、時間的に変化する環境に対処する。
  論文  参考訳（メタデータ） (2021-06-28T10:37:14Z)
• More Than Just Attention: Learning Cross-Modal Attentions with Contrastive Constraints [63.08768589044052]
  本稿では,コントラストコンテンツリソーシング (CCR) とコントラストコンテンツスワッピング (CCS) の制約を提案する。 CCRとCCSの制約は、明示的な注意アノテーションを必要とせず、対照的な学習方法で注意モデルのトレーニングを監督する。 Flickr30kとMS-COCOのデータセットの実験は、これらの注意制約を2つの最先端の注意ベースモデルに統合することで、モデルのパフォーマンスが向上することを示した。
  論文  参考訳（メタデータ） (2021-05-20T08:48:10Z)
• Spectrum-Guided Adversarial Disparity Learning [52.293230153385124]
  本稿では,新たなエンド・ツー・エンドの知識指向学習フレームワークを提案する。 2つの競合符号化分布を用いてクラス条件付きクラス内不一致を表現し、学習された不一致を識別することで精製された潜伏符号を学習する。 4つのHARベンチマークデータセットに対する実験により,提案手法の頑健性と,最先端の手法による一般化が実証された。
  論文  参考訳（メタデータ） (2020-07-14T05:46:27Z)

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。