論文の概要: Exploring Video-Based Driver Activity Recognition under Noisy Labels

• arxiv url: http://arxiv.org/abs/2504.11966v1
• Date: Wed, 16 Apr 2025 10:55:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-17 14:40:18.998728
• Title: Exploring Video-Based Driver Activity Recognition under Noisy Labels
• Title（参考訳）: 雑音ラベルによる映像に基づくドライバ動作認識の探索
• Authors: Linjuan Fan, Di Wen, Kunyu Peng, Kailun Yang, Jiaming Zhang, Ruiping Liu, Yufan Chen, Junwei Zheng, Jiamin Wu, Xudong Han, Rainer Stiefelhagen,
• Abstract要約: 実世界のビデオデータは、しばしば間違ったラベル付きサンプルを含み、モデルの信頼性と性能に影響を与える。 運転者行動認識タスクに対して,最初のラベル付きノイズ学習手法を提案する。 全レベルの公開Drive&Actデータセットに関する総合的な実験は,本手法の優れた性能を示すものである。
• 参考スコア（独自算出の注目度）: 37.804676222671
• License:
• Abstract: As an open research topic in the field of deep learning, learning with noisy labels has attracted much attention and grown rapidly over the past ten years. Learning with label noise is crucial for driver distraction behavior recognition, as real-world video data often contains mislabeled samples, impacting model reliability and performance. However, label noise learning is barely explored in the driver activity recognition field. In this paper, we propose the first label noise learning approach for the driver activity recognition task. Based on the cluster assumption, we initially enable the model to learn clustering-friendly low-dimensional representations from given videos and assign the resultant embeddings into clusters. We subsequently perform co-refinement within each cluster to smooth the classifier outputs. Furthermore, we propose a flexible sample selection strategy that combines two selection criteria without relying on any hyperparameters to filter clean samples from the training dataset. We also incorporate a self-adaptive parameter into the sample selection process to enforce balancing across classes. A comprehensive variety of experiments on the public Drive&Act dataset for all granularity levels demonstrates the superior performance of our method in comparison with other label-denoising methods derived from the image classification field. The source code is available at https://github.com/ilonafan/DAR-noisy-labels.
• Abstract（参考訳）: ディープラーニングの分野におけるオープンな研究のトピックとして、ノイズの多いラベルによる学習は多くの注目を集め、過去10年間で急速に成長してきた。 実世界のビデオデータには、しばしばラベルのつかないサンプルが含まれており、モデルの信頼性と性能に影響を与えるため、ラベルノイズによる学習はドライバーの注意散らし行動認識に不可欠である。 しかし,運転者行動認識領域ではラベルノイズ学習がほとんど行われていない。 本稿では,運転者行動認識タスクに対する最初のラベルノイズ学習手法を提案する。 クラスタの仮定に基づいて、まず、与えられたビデオからクラスタ化フレンドリな低次元表現を学習し、その結果の埋め込みをクラスタに割り当てる。 その後、各クラスタ内でコリファインメントを行い、分類器の出力を円滑にする。 さらに、トレーニングデータセットからクリーンなサンプルをフィルタリングするために、ハイパーパラメータを使わずに、2つの選択基準を組み合わせたフレキシブルなサンプル選択戦略を提案する。 また、クラス間のバランスをとるために、サンプル選択プロセスに自己適応パラメータを組み込む。 全ての粒度レベルの公開Drive&Actデータセットに関する総合的な実験は、画像分類分野から派生した他のラベルデノベーション手法と比較して、本手法の優れた性能を示す。 ソースコードはhttps://github.com/ilonafan/DAR-noisy-labelsで入手できる。

関連論文リスト

• Enhancing Sample Utilization in Noise-Robust Deep Metric Learning With Subgroup-Based Positive-Pair Selection [84.78475642696137]
  実世界のデータにノイズラベルが存在することは、ディープラーニングモデルの性能に悪影響を及ぼす。 サブグループに基づく正対選択(SGPS)を用いたノイズロストDMLフレームワークを提案する。 SGPSは、ノイズのあるサンプルに対して信頼性の高い正のペアを構築し、サンプルの利用率を高める。
  論文  参考訳（メタデータ） (2025-01-19T14:41:55Z)
• Learning with Open-world Noisy Data via Class-independent Margin in Dual Representation Space [25.472718931422307]
  オープンワールドノイズを頑健に扱える新しい二空間共同学習法を提案する。 CIFAR80Nの平均精度は4.55%、AUROCは6.17%向上した。
  論文  参考訳（メタデータ） (2025-01-19T14:09:04Z)
• Extracting Clean and Balanced Subset for Noisy Long-tailed Classification [66.47809135771698]
  そこで我々は,分布マッチングの観点から,クラスプロトタイプを用いた新しい擬似ラベリング手法を開発した。 手動で特定の確率尺度を設定することで、ノイズと長い尾を持つデータの副作用を同時に減らすことができる。 本手法は, クリーンなラベル付きクラスバランスサブセットを抽出し, ラベルノイズ付きロングテール分類において, 効果的な性能向上を実現する。
  論文  参考訳（メタデータ） (2024-04-10T07:34:37Z)
• Combating Label Noise With A General Surrogate Model For Sample Selection [77.45468386115306]
  本稿では,視覚言語サロゲートモデルCLIPを用いて,雑音の多いサンプルを自動的にフィルタリングする手法を提案する。 提案手法の有効性を実世界および合成ノイズデータセットで検証した。
  論文  参考訳（メタデータ） (2023-10-16T14:43:27Z)
• Channel-Wise Contrastive Learning for Learning with Noisy Labels [60.46434734808148]
  チャネルワイド・コントラッシブ・ラーニング(CWCL)を導入し,真正なラベル情報とノイズを区別する。 従来のインスタンス単位のコントラスト学習(IWCL)とは異なり、CWCLはよりニュアンスでレジリエントな特徴を真のラベルと一致させる傾向にある。 まずCWCLを用いて、クリーンにラベル付けされたサンプルを識別し、次に、これらのサンプルを段階的に微調整する。
  論文  参考訳（メタデータ） (2023-08-14T06:04:50Z)
• Deep Active Learning in the Presence of Label Noise: A Survey [1.8945921149936182]
  ディープラーニングは、事前に定義されたラベル付け予算内でディープラーニングモデルをトレーニングするための強力なツールとして登場した。 ラベルノイズの存在下での深いアクティブな学習の現状について論じ,ユニークなアプローチ,その強み,弱点を強調した。 本稿では,良質な画像表現を導出するコントラスト学習手法を提案する。
  論文  参考訳（メタデータ） (2023-02-22T00:27:39Z)
• Learning to Detect Noisy Labels Using Model-Based Features [16.681748918518075]
  Select-Enhanced Noisy label Training (SENT)を提案する。 SENTは、データ駆動の柔軟性を保ちながら、メタ学習に依存しない。 自己学習とラベルの破損の設定の下で、強力なベースラインよりもパフォーマンスを向上させる。
  論文  参考訳（メタデータ） (2022-12-28T10:12:13Z)
• S3: Supervised Self-supervised Learning under Label Noise [53.02249460567745]
  本稿では,ラベルノイズの存在下での分類の問題に対処する。 提案手法の核心は,サンプルのアノテートラベルと特徴空間内のその近傍のラベルの分布との整合性に依存するサンプル選択機構である。 提案手法は,CIFARCIFAR100とWebVisionやANIMAL-10Nなどの実環境ノイズデータセットの両方で,従来の手法をはるかに上回っている。
  論文  参考訳（メタデータ） (2021-11-22T15:49:20Z)
• Attention-Aware Noisy Label Learning for Image Classification [97.26664962498887]
  大規模ラベル付きサンプルで学習した深層畳み込みニューラルネットワーク(CNN)は、コンピュータビジョンにおいて顕著な進歩を遂げている。 大量のラベル付きビジュアルデータを取得する最も安価な方法は、Flickrのようなユーザーが提供するラベルでウェブサイトからクロールすることである。 本稿では,潜在的なラベルノイズのあるデータセットに基づいて学習したネットワークの識別能力を向上させるために,注目に敏感なラベル学習手法を提案する。
  論文  参考訳（メタデータ） (2020-09-30T15:45:36Z)

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。