Fugu-MT 論文翻訳(概要): Skeleton Motion Words for Unsupervised Skeleton-Based Temporal Action Segmentation

論文の概要: Skeleton Motion Words for Unsupervised Skeleton-Based Temporal Action Segmentation

arxiv url: http://arxiv.org/abs/2508.04513v1
Date: Wed, 06 Aug 2025 14:56:38 GMT
ステータス: 翻訳完了
システム内更新日: 2025-08-07 20:09:22.776969
Title: Skeleton Motion Words for Unsupervised Skeleton-Based Temporal Action Segmentation
Title（参考訳）: 教師なし骨格に基づく時間行動セグメンテーションのための骨格運動語
Authors: Uzay Gökay, Federico Spurio, Dominik R. Bach, Juergen Gall,
Abstract要約: 本稿では,非教師なし骨格に基づく時間的動作分割のための新しいアプローチを提案する。本手法では, 組込み空間に分散した継手の情報を格納するシーケンシャル・ツー・シーケンス・テンポラル・オートエンコーダを用いる。広く使われている3つの骨格ベースのデータセットに対して提案手法を徹底的に評価した。
参考スコア（独自算出の注目度）: 11.045126693185377
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Current state-of-the-art methods for skeleton-based temporal action segmentation are predominantly supervised and require annotated data, which is expensive to collect. In contrast, existing unsupervised temporal action segmentation methods have focused primarily on video data, while skeleton sequences remain underexplored, despite their relevance to real-world applications, robustness, and privacy-preserving nature. In this paper, we propose a novel approach for unsupervised skeleton-based temporal action segmentation. Our method utilizes a sequence-to-sequence temporal autoencoder that keeps the information of the different joints disentangled in the embedding space. Latent skeleton sequences are then divided into non-overlapping patches and quantized to obtain distinctive skeleton motion words, driving the discovery of semantically meaningful action clusters. We thoroughly evaluate the proposed approach on three widely used skeleton-based datasets, namely HuGaDB, LARa, and BABEL. The results demonstrate that our model outperforms the current state-of-the-art unsupervised temporal action segmentation methods. Code is available at https://github.com/bachlab/SMQ .
Abstract（参考訳）: 骨格に基づく時間的行動セグメンテーションの最先端の手法は、主に監督され、注釈付きデータを必要とする。対照的に、既存の教師なしの時間的アクションセグメンテーション手法は、主にビデオデータに焦点を当てているが、スケルトンシーケンスは、現実世界のアプリケーション、堅牢性、プライバシー保護の性質に関連があるにもかかわらず、未調査のままである。本稿では,非教師付き骨格に基づく時間的動作分割のための新しいアプローチを提案する。本手法では, 組込み空間に分散した継手の情報を格納するシーケンシャル・ツー・シーケンス・テンポラル・オートエンコーダを用いる。その後、潜伏骨格の配列は非重複パッチに分割され、量子化され、特異な骨格運動語が得られ、意味的に意味のある行動クラスターが発見される。提案手法は,HuGaDB,LARa,BABELという,広く使用されている3つの骨格ベースのデータセットに対して徹底的に評価する。その結果、我々のモデルは、現在最先端の教師なし時間的行動分節法よりも優れていることが示された。コードはhttps://github.com/bachlab/SMQ で入手できる。

関連論文リスト

Stitch Contrast and Segment_Learning a Human Action Segmentation Model Using Trimmed Skeleton Videos [3.069335774032178]
本稿では,短いトリミングスケルトンビデオに基づいてトレーニングされた骨格に基づくアクションセグメンテーションのための新しいフレームワークを提案する。 Stitch、Contrast、Segmentの3つのステップで実装されている。実験には、トリミングされたソースデータセットと、トリミングされていないターゲットデータセットが含まれる。
論文参考訳（メタデータ） (2024-12-19T16:00:10Z)
Skeleton2vec: A Self-supervised Learning Framework with Contextualized Target Representations for Skeleton Sequence [56.092059713922744]
予測対象として高レベルな文脈化機能を使用することで,優れた性能が得られることを示す。具体的には、シンプルで効率的な3D行動表現学習フレームワークであるSkeleton2vecを提案する。提案するSkeleton2vecは,従来の手法より優れ,最先端の結果が得られる。
論文参考訳（メタデータ） (2024-01-01T12:08:35Z)
Exploring Self-supervised Skeleton-based Action Recognition in Occluded Environments [40.322770236718775]
我々は,オクルージョンを扱うためのシンプルで効果的な自己教師型学習フレームワークであるIosPSTLを提案する。 IosPSTLはクラスタに依存しないKNN命令とOccluded partial Spatio-Temporal Learning (OPSTL)戦略を組み合わせる。 OPSTLモジュールは適応空間マスキング (Adaptive Spatial Masking, ASM) を組み込んで、トレーニング中に無傷で高品質な骨格配列をうまく活用する。
論文参考訳（メタデータ） (2023-09-21T12:51:11Z)
SkeleTR: Towrads Skeleton-based Action Recognition in the Wild [86.03082891242698]
SkeleTRは骨格に基づく行動認識のための新しいフレームワークである。まず、グラフ畳み込みによる各骨格配列の人体内骨格力学をモデル化する。次に、スタック化されたTransformerエンコーダを使用して、一般的なシナリオにおけるアクション認識に重要な人物のインタラクションをキャプチャする。
論文参考訳（メタデータ） (2023-09-20T16:22:33Z)
One-Shot Action Recognition via Multi-Scale Spatial-Temporal Skeleton Matching [77.6989219290789]
ワンショットスケルトン行動認識は、単一のトレーニングサンプルでスケルトン行動認識モデルを学ぶことを目的としている。本稿では,マルチスケールな時空間特徴マッチングによる骨格行動認識を行う新しい一発骨格行動認識手法を提案する。
論文参考訳（メタデータ） (2023-07-14T11:52:10Z)
Self-supervised Action Representation Learning from Partial Spatio-Temporal Skeleton Sequences [29.376328807860993]
本研究では,異なる骨格関節とビデオフレームの局所的関係を利用した部分的時空間学習(PSTL)フレームワークを提案する。提案手法は, NTURGB+D 60, NTURGBMM+D 120, PKU-Dのダウンストリームタスクにおける最先端性能を実現する。
論文参考訳（メタデータ） (2023-02-17T17:35:05Z)
Learning from Temporal Spatial Cubism for Cross-Dataset Skeleton-based Action Recognition [88.34182299496074]
アクションラベルはソースデータセットでのみ利用可能だが、トレーニング段階のターゲットデータセットでは利用できない。我々は,2つの骨格に基づく行動データセット間の領域シフトを低減するために,自己スーパービジョン方式を利用する。時間的セグメントや人体部分のセグメンテーションとパーフォーミングにより、我々は2つの自己教師あり学習分類タスクを設計する。
論文参考訳（メタデータ） (2022-07-17T07:05:39Z)
SimMC: Simple Masked Contrastive Learning of Skeleton Representations for Unsupervised Person Re-Identification [63.903237777588316]
SimMC(Simple Masked Contrastive Learning)フレームワークを提案する。具体的には、各骨格配列内の骨格の特徴を完全に活用するために、まずマスク付きプロトタイプコントラスト学習(MPC)方式を考案する。そこで我々は,サブシーケンス間のシーケンス内パターンの整合性を捉えるために,マスク付きシーケンス内コントラスト学習(MIC)を提案する。
論文参考訳（メタデータ） (2022-04-21T00:19:38Z)
Sequential convolutional network for behavioral pattern extraction in gait recognition [0.7874708385247353]
個人の歩行パターンを学習するための逐次畳み込みネットワーク(SCN)を提案する。 SCNでは、時系列の中間特徴写像を理解するために行動情報抽出器(BIE)を構築している。 SCNのマルチフレームアグリゲータは、モバイル3D畳み込み層を介して、長さが不確定なシーケンス上の機能統合を実行する。
論文参考訳（メタデータ） (2021-04-23T08:44:10Z)
Skeleton-Aware Networks for Deep Motion Retargeting [83.65593033474384]
骨格間のデータ駆動動作のための新しいディープラーニングフレームワークを提案する。我々の手法は、トレーニングセットの運動間の明確なペアリングを必要とせずに、再ターゲティングの仕方を学ぶ。
論文参考訳（メタデータ） (2020-05-12T12:51:40Z)
Skeleton Based Action Recognition using a Stacked Denoising Autoencoder with Constraints of Privileged Information [5.67220249825603]
本稿では骨格再構築の観点から骨格表現を研究するための新しい手法を提案する。特権情報に基づく学習の概念に基づいて,動作カテゴリと時間座標を重畳したデノナイジングオートエンコーダに統合する。一時的ミスアライメントによる変動を軽減するため,新しい時間的登録法を提案する。
論文参考訳（メタデータ） (2020-03-12T09:56:22Z)

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。