論文の概要: SPAN: Continuous Modeling of Suspicion Progression for Temporal Intention Localization

• arxiv url: http://arxiv.org/abs/2510.20189v2
• Date: Fri, 24 Oct 2025 10:52:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-28 09:00:15.253168
• Title: SPAN: Continuous Modeling of Suspicion Progression for Temporal Intention Localization
• Title（参考訳）: SPAN: テンポラルインテンションローカライゼーションのためのサスペクションプログレクションの連続モデリング
• Authors: Xinyi Hu, Yuran Wang, Ruixu Zhang, Yue Li, Wenxuan Liu, Zheng Wang,
• Abstract要約: 本稿では,個別分類から連続回帰へ移行するSuspicion Progression Analysis Network (SPAN)を提案する。 SPANは低周波のケースでは2.74%のmAPゲインを達成し、微妙な行動変化を捉える優れた能力を示している。
• 参考スコア（独自算出の注目度）: 26.07264704956791
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal Intention Localization (TIL) is crucial for video surveillance, focusing on identifying varying levels of suspicious intentions to improve security monitoring. However, existing discrete classification methods fail to capture the continuous nature of suspicious intentions, limiting early intervention and explainability. In this paper, we propose the Suspicion Progression Analysis Network (SPAN), which shifts from discrete classification to continuous regression, enabling the capture of fluctuating and evolving suspicious intentions. We reveal that suspicion exhibits long-term dependencies and cumulative effects, similar to Temporal Point Process (TPP) theory. Based on these insights, we define a suspicion score formula that models continuous changes while accounting for temporal characteristics. We also introduce Suspicion Coefficient Modulation, which adjusts suspicion coefficients using multimodal information to reflect the varying impacts of suspicious actions. Additionally, the Concept-Anchored Mapping method is proposed to link suspicious actions to predefined intention concepts, offering insights into both the actions and their potential underlying intentions. Extensive experiments on the HAI dataset show that SPAN significantly outperforms existing methods, reducing MSE by 19.8% and improving average mAP by 1.78%. Notably, SPAN achieves a 2.74% mAP gain in low-frequency cases, demonstrating its superior ability to capture subtle behavioral changes. Compared to discrete classification systems, our continuous suspicion modeling approach enables earlier detection and proactive intervention, greatly enhancing system explainability and practical utility in security applications.
• Abstract（参考訳）: テンポラル・インテンション・ローカライゼーション(TIL)はビデオ監視において重要であり、セキュリティ監視を改善するための様々なレベルの疑わしい意図を特定することに焦点を当てている。 しかし、既存の個別分類法は疑わしい意図の連続的な性質を捉えず、早期の介入と説明可能性を制限する。 本稿では, 個別分類から連続回帰へ移行し, ゆらぎや不審な意図の獲得を可能にするSuspicion Progression Analysis Network (SPAN)を提案する。 時間点法(TPP)理論と同様,疑念は長期的依存と累積効果を示すことが明らかとなった。 これらの知見に基づいて、時間的特性を考慮した連続的な変化をモデル化する疑似スコア公式を定義する。 また,疑わしい行動の様々な影響を反映する多モーダル情報を用いて疑わしい係数を調整するSuspicion Coefficient Modulationを導入する。 さらに、疑わしい行動と事前定義された意図概念を結びつけ、その行動と潜在的な意図の両方についての洞察を提供する概念-アンコレッドマッピング法が提案されている。 HAIデータセットの大規模な実験により、SPANは既存の手法を著しく上回り、MSIを19.8%削減し、平均mAPを1.78%改善した。 特に、SPANは低周波のケースでは2.74%のmAPゲインを達成し、微妙な行動変化を捉える優れた能力を示している。 個別の分類システムと比較して、我々の継続的疑念モデリングアプローチは早期発見と積極的な介入を可能にし、セキュリティアプリケーションにおけるシステム説明可能性と実用性を大幅に向上させる。

関連論文リスト

• Abstain Mask Retain Core: Time Series Prediction by Adaptive Masking Loss with Representation Consistency [4.047219770183742]
  時系列予測はエネルギー管理や金融市場といった重要な領域において重要な役割を担っている。 本研究は, 履歴データを適切に切り詰めることによって予測精度を向上させるという, 直感に反する現象を明らかにする。 本稿では,適応的マスキング・ロス(Adaptive Masking Loss)と表現整合性(Representation Consistency)を提案する。
  論文  参考訳（メタデータ） (2025-10-22T19:23:53Z)
• Advancing Reliable Test-Time Adaptation of Vision-Language Models under Visual Variations [67.35596444651037]
  視覚言語モデル(VLM)は、素晴らしいゼロショット機能を示すが、ラベル付きデータが利用できない場合、下流タスクの分散シフトに苦慮する。 本稿では,信頼性を両面から高めるReliable Test-Time Adaptation (ReTA)法を提案する。
  論文  参考訳（メタデータ） (2025-07-13T05:37:33Z)
• Anomalous Decision Discovery using Inverse Reinforcement Learning [3.3675535571071746]
  異常検出は、知覚システムを通じて異常な行動を特定することによって、自律走行車(AV)において重要な役割を果たす。 現在のアプローチは、しばしば定義済みのしきい値や教師付き学習パラダイムに依存するが、目に見えないシナリオに直面すると効果が低下する。 異常検出のための新しいIRLフレームワークである Trajectory-Reward Guided Adaptive Pre-training (TRAP) を提案する。
  論文  参考訳（メタデータ） (2025-07-06T17:01:02Z)
• TULiP: Test-time Uncertainty Estimation via Linearization and Weight Perturbation [11.334867025651233]
  OOD検出のための理論駆動型不確実性推定器TULiPを提案する。 本手法では,収束前にネットワークに適用される仮説的摂動を考察する。 提案手法は,特に近分布試料について,最先端の性能を示す。
  論文  参考訳（メタデータ） (2025-05-22T17:16:41Z)
• Incremental Uncertainty-aware Performance Monitoring with Active Labeling Intervention [64.12447263206381]
  Incrmental Uncertainty-aware Performance Monitoring (IUPM) というラベルのない手法を提案する。 IUPMは、性能予測の不確実性を定量化し、限られたラベル付け予算の下で信頼性の高い見積もりを復元するアクティブなラベル付け手順を導入する。 実験の結果、IUPMは様々な段階的なシフトシナリオにおいて、既存の性能推定基準よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2025-05-11T15:35:55Z)
• Deterministic Uncertainty Propagation for Improved Model-Based Offline Reinforcement Learning [12.490614705930676]
  本稿では,ベルマン目標計算によって得られたモンテカルロ試料数に対する準最適性の強い依存性を示す理論的結果を示す。 我々の主な貢献は、進行モーメントマッチングを利用するベルマン目標に対する決定論的近似である。 我々は,既存のモンテカルロサンプリング手法よりもMOMBOの準最適性について,より厳密な保証を提供することが可能であることを示す。
  論文  参考訳（メタデータ） (2024-06-06T13:58:41Z)
• ACE : Off-Policy Actor-Critic with Causality-Aware Entropy Regularization [52.5587113539404]
  因果関係を考慮したエントロピー(entropy)という用語を導入し,効率的な探索を行うための潜在的影響の高いアクションを効果的に識別し,優先順位付けする。 提案アルゴリズムであるACE:Off-policy Actor-critic with Causality-aware Entropy regularizationは,29種類の連続制御タスクに対して,大幅な性能上の優位性を示す。
  論文  参考訳（メタデータ） (2024-02-22T13:22:06Z)

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。