論文の概要: Comparing Learning Paradigms for Egocentric Video Summarization

• arxiv url: http://arxiv.org/abs/2506.21785v1
• Date: Thu, 26 Jun 2025 21:46:48 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-30 21:12:23.019562
• Title: Comparing Learning Paradigms for Egocentric Video Summarization
• Title（参考訳）: エゴセントリックビデオ要約のための学習パラダイムの比較
• Authors: Daniel Wen,
• Abstract要約: 本研究では,自我中心のビデオデータの理解と解釈能力を評価することによって,コンピュータビジョンのパラダイムを考察する。 我々はShotluck Holmes(最先端教師あり学習)、TAC-SUM(最先端教師なし学習)、GPT-4o(素早い微調整事前学習モデル)について検討し、映像要約の有効性を評価した。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: In this study, we investigate various computer vision paradigms - supervised learning, unsupervised learning, and prompt fine-tuning - by assessing their ability to understand and interpret egocentric video data. Specifically, we examine Shotluck Holmes (state-of-the-art supervised learning), TAC-SUM (state-of-the-art unsupervised learning), and GPT-4o (a prompt fine-tuned pre-trained model), evaluating their effectiveness in video summarization. Our results demonstrate that current state-of-the-art models perform less effectively on first-person videos compared to third-person videos, highlighting the need for further advancements in the egocentric video domain. Notably, a prompt fine-tuned general-purpose GPT-4o model outperforms these specialized models, emphasizing the limitations of existing approaches in adapting to the unique challenges of first-person perspectives. Although our evaluation is conducted on a small subset of egocentric videos from the Ego-Exo4D dataset due to resource constraints, the primary objective of this research is to provide a comprehensive proof-of-concept analysis aimed at advancing the application of computer vision techniques to first-person videos. By exploring novel methodologies and evaluating their potential, we aim to contribute to the ongoing development of models capable of effectively processing and interpreting egocentric perspectives.
• Abstract（参考訳）: 本研究では,エゴセントリックな映像データを理解・解釈する能力を評価することで,教師なし学習,教師なし学習,即時微調整といったコンピュータビジョンのパラダイムについて検討する。 具体的には、Shotluck Holmes(最先端教師あり学習)、TAC-SUM(最先端教師なし学習)、GPT-4o(素早い微調整事前学習モデル)について検討し、映像要約の有効性を検証した。 以上の結果から,現時点の最先端モデルは,エゴセントリックなビデオ領域のさらなる進歩の必要性を浮き彫りにしている。 特に、素早い微調整の汎用GPT-4oモデルはこれらの特殊モデルよりも優れており、一人称視点のユニークな課題に適応する既存のアプローチの限界を強調している。 本研究の目的は,エゴ・エクソ4Dデータセットから得られたエゴセントリックな映像のごく一部を資源制約により評価することであるが,コンピュータビジョン技術のファースト・パーソン・ビデオへの応用を推し進めることを目的とした包括的概念実証分析を提供することである。 新たな方法論を探求し,その可能性を評価することにより,エゴセントリックな視点を効果的に処理し解釈できるモデルの開発に寄与することを目指している。

関連論文リスト

• EvaLearn: Quantifying the Learning Capability and Efficiency of LLMs via Sequential Problem Solving [61.99289768925256]
  EvaLearnは、大きな言語モデル(LLM)を学習能力と課題の効率性を評価するために設計されたベンチマークである。 9つのフロンティアモデルをベンチマークし、様々な性能プロファイルを観察する。 静的能力の強い現在のLLMは、全てのタスクにおいて学習能力に明らかな優位性を示すものではない。
  論文  参考訳（メタデータ） (2025-06-03T09:18:33Z)
• A Large-Scale Analysis on Contextual Self-Supervised Video Representation Learning [22.870129496984546]
  異なる手法間の公正な比較を可能にする統一されたベンチマークを確立する。 本研究では,(1)データセットのサイズ,(2)モデル複雑性,(3)データ分布,(4)データノイズ,(5)特徴表現の5つの重要な側面について検討する。 本稿では,10%以上の事前学習データに依存する最先端の手法を超越しながら,トレーニングデータ要求を大幅に削減する新しい手法を提案する。
  論文  参考訳（メタデータ） (2025-04-08T15:47:58Z)
• Exo2Ego: Exocentric Knowledge Guided MLLM for Egocentric Video Understanding [69.96199605596138]
  現在のMLLMは、主に第三者(外見中心)のビジョンに焦点を当てており、一対一(自我中心)の動画のユニークな側面を見下ろしている。 本研究では,エゴ中心領域とエゴ中心領域のマッピングを学習し,エゴ中心領域の理解を高めることを提案する。 Ego-ExoClipは1.1M同期のEgo-Exoクリップテキストペアからなる事前学習データセットである。
  論文  参考訳（メタデータ） (2025-03-12T08:10:33Z)
• VideoWorld: Exploring Knowledge Learning from Unlabeled Videos [119.35107657321902]
  この研究は、深層生成モデルが視覚入力のみから複雑な知識を学習できるかどうかを考察する。 我々は、未ラベルのビデオデータに基づいて訓練された自動回帰ビデオ生成モデルであるVideoWorldを開発し、ビデオベースのGoとロボット制御タスクにおける知識獲得能力をテストする。
  論文  参考訳（メタデータ） (2025-01-16T18:59:10Z)
• Unsupervised Video Summarization via Multi-source Features [4.387757291346397]
  ビデオ要約は、オリジナルビデオの本質を伝達するコンパクトだが代表的な視覚的要約を生成することを目的としている。 本稿では,複数の特徴源をチャンクとストライド融合で組み込むことにより,視覚的コンテンツについてより詳細な情報を提供する。 また,TVSumとSumMeの2つのベンチマークを総合的に評価するために,本手法を4つの最先端手法と比較した。
  論文  参考訳（メタデータ） (2021-05-26T13:12:46Z)
• Self-supervised Co-training for Video Representation Learning [103.69904379356413]
  実例に基づく情報ノイズコントラスト推定訓練に意味クラス正の付加を施すことの利点について検討する。 本稿では,インフォネッションNCEの損失を改善するための,自己指導型協調学習手法を提案する。 本研究では,2つの下流タスク(行動認識とビデオ検索)における学習表現の質を評価する。
  論文  参考訳（メタデータ） (2020-10-19T17:59:01Z)
• Unsupervised Gaze Prediction in Egocentric Videos by Energy-based Surprise Modeling [6.294759639481189]
  エゴセントリックな認識は、没入型コンピューティングデバイスの出現によって急速に成長してきた。 人間の視線予測は、自我中心の動画を分析する上で重要な問題である。 我々は,エゴセントリックな視線予測タスクにおいて,教師付き深層学習モデルの一般化能力を定量的に分析する。
  論文  参考訳（メタデータ） (2020-01-30T21:52:38Z)

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。