論文の概要: Test-Time Adaptation via Cache Personalization for Facial Expression Recognition in Videos

• arxiv url: http://arxiv.org/abs/2603.21309v1
• Date: Sun, 22 Mar 2026 16:31:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-24 19:11:39.348391
• Title: Test-Time Adaptation via Cache Personalization for Facial Expression Recognition in Videos
• Title（参考訳）: ビデオにおける表情認識のためのキャッシュパーソナライズによるテスト時間適応
• Authors: Masoumeh Sharafi, Muhammad Osama Zeeshan, Soufiane Belharbi, Alessandro Lameiras Koerich, Marco Pedersoli, Eric Granger,
• Abstract要約: 本稿では,キャッシュベースのTTA方式であるキャッシュパーソナライゼーション(TTA-CaP)を提案する。 実験により,TTA-CaPは,対象種別および環境変化下で,最先端のTTA法より優れることが示された。
• 参考スコア（独自算出の注目度）: 59.83490704563065
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Facial expression recognition (FER) in videos requires model personalization to capture the considerable variations across subjects. Vision-language models (VLMs) offer strong transfer to downstream tasks through image-text alignment, but their performance can still degrade under inter-subject distribution shifts. Personalizing models using test-time adaptation (TTA) methods can mitigate this challenge. However, most state-of-the-art TTA methods rely on unsupervised parameter optimization, introducing computational overhead that is impractical in many real-world applications. This paper introduces TTA through Cache Personalization (TTA-CaP), a cache-based TTA method that enables cost-effective (gradient-free) personalization of VLMs for video FER. Prior cache-based TTA methods rely solely on dynamic memories that store test samples, which can accumulate errors and drift due to noisy pseudo-labels. TTA-CaP leverages three coordinated caches: a personalized source cache that stores source-domain prototypes, a positive target cache that accumulates reliable subject-specific samples, and a negative target cache that stores low-confidence cases as negative samples to reduce the impact of noisy pseudo-labels. Cache updates and replacement are controlled by a tri-gate mechanism based on temporal stability, confidence, and consistency with the personalized cache. Finally, TTA-CaP refines predictions through fusion of embeddings, yielding refined representations that support temporally stable video-level predictions. Our experiments on three challenging video FER datasets, BioVid, StressID, and BAH, indicate that TTA-CaP can outperform state-of-the-art TTA methods under subject-specific and environmental shifts, while maintaining low computational and memory overhead for real-world deployment.
• Abstract（参考訳）: ビデオにおける表情認識(FER)は、被験者間でかなりのバリエーションを捉えるためにモデルパーソナライズを必要とする。 視覚言語モデル(VLM)は、画像テキストアライメントによる下流タスクへの強力な転送を提供するが、その性能はオブジェクト間の分散シフトで低下する可能性がある。 テスト時間適応(TTA)法によるパーソナライズモデルは、この課題を軽減することができる。 しかし、最先端のTTA手法の多くは教師なしパラメータ最適化に依存しており、現実の多くのアプリケーションでは実現不可能な計算オーバーヘッドを導入している。 本稿では,ビデオFERのためのVLMの費用対効果(段階的な)パーソナライズを可能にするキャッシュベースのTTA手法であるキャッシュパーソナライズ(TTA-CaP)について紹介する。 従来のキャッシュベースのTTAメソッドは、テストサンプルを格納する動的メモリのみに依存しており、ノイズの多い擬似ラベルのためにエラーやドリフトを蓄積することができる。 TTA-CaPはソースドメインのプロトタイプを格納するパーソナライズされたソースキャッシュ、信頼性の高い主題固有のサンプルを蓄積する正のターゲットキャッシュ、低信頼のケースを負のサンプルとして格納する負のターゲットキャッシュという3つの調整されたキャッシュを活用して、ノイズの多い擬似ラベルの影響を低減する。 キャッシュの更新と置換は、パーソナライズされたキャッシュとの時間的安定性、信頼性、一貫性に基づいたトリゲートメカニズムによって制御される。 最後に、TTA-CaPは埋め込みの融合によって予測を洗練し、時間的に安定したビデオレベルの予測をサポートする洗練された表現を生成する。 ビデオFERデータセットであるBioVid、ScressID、BAHの3つの実験により、TTA-CaPは、対象と環境のシフト下での最先端のTTA手法より優れ、実際の展開において計算およびメモリオーバーヘッドが低いことを示唆した。

関連論文リスト

• Adaptive Cache Enhancement for Test-Time Adaptation of Vision-Language Models [6.403304540670581]
  視覚言語モデル (VLM) は、ゼロショット一般化が際立つが、分布シフトによる性能劣化に悩まされる。 TTA(Test-Time Adaptation)は、推論中のVLMのオンライン最適化を可能にし、アノテーション付きデータの必要性をなくすことによって、この問題に対処する。 本稿では,高信頼あるいは低エントロピー画像のクラスごとの埋め込みを選択的に記憶することで,堅牢なキャッシュを構築する適応キャッシュ拡張(ACE)フレームワークを紹介する。
  論文  参考訳（メタデータ） (2025-08-11T03:03:34Z)
• 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)
• Mitigating Cache Noise in Test-Time Adaptation for Large Vision-Language Models [13.157596316463621]
  下流タスクにおける分散シフトに起因する性能劣化に対する解決策として,視覚言語モデルのテスト時適応(TTA)が注目されている。 我々は、包括的で信頼性の高いキャッシュ機構を導入し、キャッシュ、残留、ガウス(CRG)と呼ばれる新しいゼロショットTTA手法を提案する。 13のベンチマーク実験の結果、CRGは最先端のTTA法よりも優れており、例外的な堅牢性と適応性を示している。
  論文  参考訳（メタデータ） (2025-03-24T04:32:35Z)
• DOTA: Distributional Test-Time Adaptation of Vision-Language Models [69.41389326333771]
  トレーニングデータとテストデータの間に大きな分散ギャップが存在する場合、視覚言語の基礎モデルは信頼できない。 本稿では,DOTA(DistributiOnal Test-time Adaptation)を提案する。 この分散中心のアプローチは、モデルが継続的に学習し、デプロイメント環境に適応することを可能にする。
  論文  参考訳（メタデータ） (2024-09-28T15:03:28Z)

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。