論文の概要: MSGL-Transformer: A Multi-Scale Global-Local Transformer for Rodent Social Behavior Recognition

• arxiv url: http://arxiv.org/abs/2604.07578v1
• Date: Wed, 08 Apr 2026 20:34:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-10 18:34:05.550244
• Title: MSGL-Transformer: A Multi-Scale Global-Local Transformer for Rodent Social Behavior Recognition
• Title（参考訳）: MSGL-Transformer: 社会行動認識のためのマルチスケールグローバルローカ変換器
• Abstract要約: MSGLトランスフォーマー(MSGL-Transformer)は、ポーズに基づく時間的シーケンスからロジトな社会的行動を認識するグローバルローカルトランスフォーマーである。 アーキテクチャは並列ショートレンジ、中レンジ、グローバルアテンションブランチを統合し、振る舞いのダイナミクスをキャプチャする。 RatSIでは、MSGL-Transformerの平均精度が75.4%、F1スコアが0.745であり、TN、LSTM、Bi-LSTMを上回っている。 CalMS21では精度87.1%、F1スコア0.8745、HSTWFormerよりも10.7%向上し、ST-GCN、MS-Gを上回っている。
• 参考スコア（独自算出の注目度）: 3.8958737942482204
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recognition of rodent behavior is important for understanding neural and behavioral mechanisms. Traditional manual scoring is time-consuming and prone to human error. We propose MSGL-Transformer, a Multi-Scale Global-Local Transformer for recognizing rodent social behaviors from pose-based temporal sequences. The model employs a lightweight transformer encoder with multi-scale attention to capture motion dynamics across different temporal scales. The architecture integrates parallel short-range, medium-range, and global attention branches to explicitly capture behavior dynamics at multiple temporal scales. We also introduce a Behavior-Aware Modulation (BAM) block, inspired by SE-Networks, which modulates temporal embeddings to emphasize behavior-relevant features prior to attention. We evaluate on two datasets: RatSI (5 behavior classes, 12D pose inputs) and CalMS21 (4 behavior classes, 28D pose inputs). On RatSI, MSGL-Transformer achieves 75.4% mean accuracy and F1-score of 0.745 across nine cross-validation splits, outperforming TCN, LSTM, and Bi-LSTM. On CalMS21, it achieves 87.1% accuracy and F1-score of 0.8745, a +10.7% improvement over HSTWFormer, and outperforms ST-GCN, MS-G3D, CTR-GCN, and STGAT. The same architecture generalizes across both datasets with only input dimensionality and number of classes adjusted.
• Abstract（参考訳）: 歯列行動の認識は神経機構や行動機構を理解する上で重要である。 従来の手動のスコアリングは時間がかかり、ヒューマンエラーを起こしやすい。 ポーズに基づく時間列からロジトな社会的行動を認識するマルチスケールグローバルローカルトランスであるMSGL-Transformerを提案する。 このモデルは、異なる時間スケールにわたる動きのダイナミクスを捉えるために、マルチスケールの注意を持つ軽量なトランスフォーマーエンコーダを使用する。 このアーキテクチャは並列ショートレンジ、中レンジ、グローバルアテンションのブランチを統合し、複数の時間スケールで振る舞いのダイナミクスを明示的にキャプチャする。 また,SE-Networksにインスパイアされた行動認識変調(BAM)ブロックを導入する。 RatSI(5つの行動クラス、12Dポーズインプット)とCalMS21(4つの行動クラス、28Dポーズインプット)の2つのデータセットを評価した。 RatSIでは、MSGL-Transformerの平均精度が75.4%、F1スコアが0.745であり、TN、LSTM、Bi-LSTMを上回っている。 CalMS21では精度87.1%、F1スコア0.8745、HSTWFormerよりも+10.7%向上し、ST-GCN、MS-G3D、CTR-GCN、STGATを上回っている。 同じアーキテクチャは、入力次元と調整されたクラスの数だけで、両方のデータセットにまたがって一般化される。

関連論文リスト

• Evaluating the Effect of Frame Rate in Sequence-Based Classification of Autism-Related Self-Stimulatory Hand Idiosyncrasies [1.091319386322552]
  本研究は、ビデオから自閉症関連自己刺激行動の自動検出における2つの課題に対処する。 最適なシーケンスベースのニューラルネットワークアーキテクチャと時間サンプリングレートを識別する。 また、小さな行動データセットのトレーニングのためのデータ拡張戦略も特徴付けている。
  論文  参考訳（メタデータ） (2026-07-08T22:22:37Z)
• MotionMAR: Multi-scale Auto-Regressive Human Motion Reconstruction from Sparse Observations [51.837372131319285]
  MotionMARは、スパース観測からの運動再構成のためのフレームワークである。 まず、人間の動きのグローバルな軌跡を推定し、時間的詳細を徐々に洗練する。 MotionMARは、AMASSデータセット上で最先端の精度を達成する。
  論文  参考訳（メタデータ） (2026-06-22T08:15:56Z)
• Exploitation of Hidden Context in Dynamic Movement Forecasting: A Neural Network Journey from Recurrent to Graph Neural Networks and General Purpose Transformers [2.297609455004023]
  カルマンフィルタを含む伝統的な手法は、そのようなシナリオに存在する非線形力学をモデル化するのにしばしば苦労する。 長期記憶(LSTM)ネットワーク、グラフニューラルネットワーク(GNN)、トランスフォーマーなどの機械学習手法により、柔軟性と精度が向上する。 本稿では,これらのモデルを評価し,その強みと弱みを評価する。
  論文  参考訳（メタデータ） (2026-05-14T14:02:45Z)
• Transformer-Based Wildlife Species Classification from Daily Movement Trajectories [13.570863502498336]
  大規模で7種のGPSトラジェクトリでシーケンスモデルを訓練する。 トラジェクトリモデルは、テスト中にテレメトリの全研究または領域をホールトアウトするプロトコルを用いて評価される。 変圧器は、ほぼ8～22ポイントの利得で、常により高いバランスの取れた精度を達成する。
  論文  参考訳（メタデータ） (2026-05-07T11:20:55Z)
• Beyond Sequences: A Benchmark for Atomic Hand-Object Interaction Using a Static RNN Encoder [0.0]
  我々は、MANIACデータセットから生動画を27,476の統計力学的特徴ベクトルに変換する構造化データエンジニアリングプロセスを導入する。 我々のモデルは、バランスの取れたF1スコア0.90を達成することで、最も困難な移行クラスである「グラビング」を乗り越えることに成功した。 これらの結果は、構造化された、解釈可能な特徴と軽量アーキテクチャを用いた、低レベルの手オブジェクト間相互作用認識のための新しいベンチマークを提供する。
  論文  参考訳（メタデータ） (2025-12-10T13:11:43Z)
• Gated Fusion Enhanced Multi-Scale Hierarchical Graph Convolutional Network for Stock Movement Prediction [12.806794559293289]
  我々はMS-HGFN (Multi-Scale Hierarchical Graph Fusion Network)を紹介する。 このモデルは階層的なGNNモジュールを特徴とし、属性内からパターンを学習し、異なる時間スケールで属性間から特徴を学習することで動的グラフを形成する。 米国と中国の株式市場における実世界のデータセットを用いた実験は、MS-HGFNが従来のモデルと先進モデルの両方を上回っていることを示している。
  論文  参考訳（メタデータ） (2025-11-03T13:39:23Z)
• GrAInS: Gradient-based Attribution for Inference-Time Steering of LLMs and VLMs [56.93583799109029]
  GrAInSは推論時ステアリングのアプローチで、言語のみのモデルと視覚言語の両方のモデルとタスクで動作する。 推論中、GrAInSはトークンレベルの属性信号によって誘導されるトランスフォーマー層で隠されたアクティベーションを隠蔽し、アクティベーションを正規化し、表現スケールを保存する。 微調整と既存のステアリングベースラインの両方を一貫して上回る。
  論文  参考訳（メタデータ） (2025-07-24T02:34:13Z)
• SETransformer: A Hybrid Attention-Based Architecture for Robust Human Activity Recognition [7.291558599547268]
  ウェアラブルセンサデータを用いたヒューマンアクティビティ認識(HAR)は,モバイルコンピューティング,ヘルスケア,人間とコンピュータのインタラクションにおいて中心的な課題となっている。 本稿では、トランスフォーマーに基づく時間モデルと、チャネルワイド・サスペンション・アンド・エキサイティング(SE)アテンションと、学習可能な時間アテンションプーリング機構を組み合わせたハイブリッドディープニューラルネットワークSETransformerを提案する。 我々は、WISDMデータセット上でSETransformerを評価し、LSTM、GRU、BiLSTM、CNNベースラインといった従来のモデルよりも大幅に優れていることを示した。
  論文  参考訳（メタデータ） (2025-05-25T23:39:34Z)
• Ensemble-Enhanced Graph Autoencoder with GAT and Transformer-Based Encoders for Robust Fault Diagnosis [0.0]
  本研究では,新しい断層分類フレームワークを提案する。 様々な馬力レベルで動作する機械の時系列振動データをグラフ表現に変換する。 ディープグラフ変換器エンコーダ、デコーダ、アンサンブルを備えたグラフオート(GAE)を開発し、潜在グラフ表現を学習し、故障を分類する。
  論文  参考訳（メタデータ） (2025-04-13T04:21:11Z)
• Global-to-Local Modeling for Video-based 3D Human Pose and Shape Estimation [53.04781510348416]
  フレーム内精度とフレーム間スムーズさにより,映像に基づく3次元人間のポーズと形状推定を評価する。 エンドツーエンドフレームワークGLoT(Global-to-Local Transformer)における長期的・短期的相関のモデル化を構造的に分離することを提案する。 我々のGLoTは、一般的なベンチマーク(3DPW、MPI-INF-3DHP、Human3.6M)において、最も低いモデルパラメータを持つ従来の最先端の手法を上回る。
  論文  参考訳（メタデータ） (2023-03-26T14:57:49Z)
• A Close Look at Spatial Modeling: From Attention to Convolution [70.5571582194057]
  ビジョントランスフォーマーは最近、洞察に富んだアーキテクチャ設計とアテンションメカニズムのために、多くのビジョンタスクに対して大きな約束をしました。 我々は、自己意図の定式化を一般化し、クエリ非関連なグローバルコンテキストを直接抽象化し、グローバルコンテキストを畳み込みに統合する。 FCViT-S12は14M未満のパラメータを持つため、ImageNet-1K上でのResT-Liteの精度は3.7%向上した。
  論文  参考訳（メタデータ） (2022-12-23T19:13:43Z)
• Joint Spatial-Temporal and Appearance Modeling with Transformer for Multiple Object Tracking [59.79252390626194]
  本稿ではTransSTAMという新しい手法を提案する。Transformerを利用して各オブジェクトの外観特徴とオブジェクト間の空間的時間的関係の両方をモデル化する。 提案手法はMOT16, MOT17, MOT20を含む複数の公開ベンチマークで評価され, IDF1とHOTAの両方で明確な性能向上を実現している。
  論文  参考訳（メタデータ） (2022-05-31T01:19:18Z)
• Uniformer: Unified Transformer for Efficient Spatiotemporal Representation Learning [68.55487598401788]
  この研究の最近の進歩は、主に3D畳み込みニューラルネットワークと視覚変換器によって推進されている。 本稿では3次元畳み込み自己注意の利点を簡潔なトランスフォーマー形式にシームレスに統合する新しいUnified TransFormer(UniFormer)を提案する。 我々は、Kineetics-400、Kineetics-600、Something V1&V2といった人気ビデオベンチマークで広範な実験を行っている。 我々の UniFormer は Kinetics-400/Kinetics-600 で 8/84.8% のトップ-1 の精度を実現している。
  論文  参考訳（メタデータ） (2022-01-12T20:02:32Z)
• Unsupervised Motion Representation Learning with Capsule Autoencoders [54.81628825371412]
  Motion Capsule Autoencoder (MCAE) は、2レベル階層のモーションをモデル化する。 MCAEは、新しいTrajectory20モーションデータセットと、様々な現実世界の骨格に基づく人間のアクションデータセットで評価されている。
  論文  参考訳（メタデータ） (2021-10-01T16:52:03Z)

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。