論文の概要: Learnable Motion-Focused Tokenization for Effective and Efficient Video Unsupervised Domain Adaptation

• arxiv url: http://arxiv.org/abs/2604.09955v1
• Date: Fri, 10 Apr 2026 23:30:49 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-04-14 20:13:15.763467
• Title: Learnable Motion-Focused Tokenization for Effective and Efficient Video Unsupervised Domain Adaptation
• Title（参考訳）: 効果的かつ効率的な映像教師なしドメイン適応のための学習可能なモーションフォーカス型トークン化
• Authors: Tzu Ling Liu, Ian Stavness, Mrigank Rochan,
• Abstract要約: Video Unsupervised Domain Adaptation (VUDA)は、アクション認識において重要な課題である。 本稿では,VUDAのための学習可能なモーションフォーカス型トークン化(LMFT)を提案する。 LMFTを用いたVUDAフレームワークは,計算オーバーヘッドを大幅に低減しつつ,最先端の性能を実現する。
• 参考スコア（独自算出の注目度）: 5.360845178894514
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Video Unsupervised Domain Adaptation (VUDA) poses a significant challenge in action recognition, requiring the adaptation of a model from a labeled source domain to an unlabeled target domain. Despite recent advances, existing VUDA methods often fall short of fully supervised performance, a key reason being the prevalence of static and uninformative backgrounds that exacerbate domain shifts. Additionally, prior approaches largely overlook computational efficiency, limiting real-world adoption. To address these issues, we propose Learnable Motion-Focused Tokenization (LMFT) for VUDA. LMFT tokenizes video frames into patch tokens and learns to discard low-motion, redundant tokens, primarily corresponding to background regions, while retaining motion-rich, action-relevant tokens for adaptation. Extensive experiments on three standard VUDA benchmarks across 21 domain adaptation settings show that our VUDA framework with LMFT achieves state-of-the-art performance while significantly reducing computational overhead. LMFT thus enables VUDA that is both effective and computationally efficient.
• Abstract（参考訳）: Video Unsupervised Domain Adaptation (VUDA)は、ラベル付きソースドメインからラベル付きターゲットドメインへのモデルの適応を必要とする、アクション認識において重要な課題となる。 最近の進歩にもかかわらず、既存のVUDAメソッドは、完全に教師付きパフォーマンスに欠けることが多い。 さらに、以前のアプローチは計算効率を概ね見落とし、実世界の採用を制限していた。 これらの課題に対処するために,VUDA のための学習可能な運動焦点型トークン化 (LMFT) を提案する。 LMFTはビデオフレームをパッチトークンにトークン化し、ローモーションで冗長なトークンを捨てることを学ぶ。 21のドメイン適応設定にまたがる3つの標準VUDAベンチマーク実験により、LMFTを用いたVUDAフレームワークは、計算オーバーヘッドを大幅に削減しつつ、最先端のパフォーマンスを実現していることが示された。 したがって、LMFTは効率と計算効率の両方のVUDAを実現する。

関連論文リスト

• Rethinking VLMs for Image Forgery Detection and Localization [55.32700985102152]
  本稿では,視覚言語モデル(VLM)をフル活用して画像偽造検出・局所化(IFDL)タスクを支援する方法について検討する。 これらの知見に基づいて,IFDL-VLMと呼ばれる新しいIFDLパイプラインを提案する。 実験結果から, 検出, 局所化, 解釈可能性において, 常に新しい最先端性能を達成できることが示唆された。
  論文  参考訳（メタデータ） (2026-03-13T12:21:31Z)
• PAGen: Phase-guided Amplitude Generation for Domain-adaptive Object Detection [15.55359477953804]
  教師なしドメイン適応(UDA)は、さまざまな環境にまたがるニューラルネットワークの展開を大いに促進する。 本稿では、周波数領域における画像スタイルの適応を学習し、ソース領域とターゲット領域との差を小さくする、シンプルで効果的なUDA手法を提案する。
  論文  参考訳（メタデータ） (2025-11-27T02:22:37Z)
• RB-FT: Rationale-Bootstrapped Fine-Tuning for Video Classification [14.224783616912783]
  視覚言語モデル(VLM)はマルチメディア理解にとってますます不可欠なものになりつつある。 彼らはしばしばドメイン固有のビデオ分類タスク、特に限られたデータで苦労する。 新しいアノテーションを使わずにこのギャップを埋める2段階の自己改善パラダイムを提案する。
  論文  参考訳（メタデータ） (2025-11-19T23:12:18Z)
• Adaptive Residual-Update Steering for Low-Overhead Hallucination Mitigation in Large Vision Language Models [13.32858759983739]
  LVLM(Large Vision-Language Models)は、しばしばオブジェクト幻覚に悩まされ、視覚入力と矛盾するテキストを生成する。 この問題を緩和するための既存の推論時間の介入は、難しいトレードオフをもたらします。 本稿では,LVLMを視覚的に生成するフレームワークであるResidual-Update Directed Decoding Regulation(RUDDER)を提案する。
  論文  参考訳（メタデータ） (2025-11-13T13:29:38Z)
• Efficient Test-time Adaptive Object Detection via Sensitivity-Guided Pruning [73.40364018029673]
  連続的なテスト時間適応オブジェクト検出(CTTA-OD)は、源となる事前訓練された検出器を常に変化する環境にオンライン適応させることを目的としている。 私たちのモチベーションは、学習したすべての特徴が有益であるとは限らないという観察に起因しています。 FLOPの計算オーバヘッドを12%削減し,優れた適応性を実現する。
  論文  参考訳（メタデータ） (2025-06-03T05:27:56Z)
• Cross-Domain Diffusion with Progressive Alignment for Efficient Adaptive Retrieval [52.67656818203429]
  非教師付き効率的なドメイン適応検索は、ラベル付きソースドメインからラベルなしターゲットドメインに知識を転送することを目的としている。 既存のメソッドは、ターゲットドメインの潜在的なノイズに対処できず、ドメイン間で直接高レベルな機能を調整します。 そこで本研究では,これらの課題に対処する新しいクロスドメイン拡散・プログレッシブアライメント法(COUPLE)を提案する。
  論文  参考訳（メタデータ） (2025-05-20T04:17:39Z)
• Improving Source-Free Target Adaptation with Vision Transformers Leveraging Domain Representation Images [8.626222763097335]
  Unsupervised Domain Adaptation (UDA)メソッドは、ラベル付きソースドメインからラベル付きターゲットドメインへの知識転送を容易にする。 本稿では、キー、クエリ、値要素がViT結果にどのように影響するかを評価することから、ソースフリーなターゲット適応におけるViT性能を高める革新的な方法を提案する。 ドメイン表現画像(DRI)は、ドメイン固有のマーカーとして機能し、トレーニングレギュレータとシームレスにマージする。
  論文  参考訳（メタデータ） (2023-11-21T13:26:13Z)
• Unsupervised Domain Adaptation for Video Transformers in Action Recognition [76.31442702219461]
  ビデオ行動認識のためのシンプルで斬新なUDA手法を提案する。 私たちのアプローチでは、ターゲットドメインをより一般化した堅牢なソースモデルを構築しています。 UDAのための2つのビデオアクションベンチマークの認識結果について報告する。
  論文  参考訳（メタデータ） (2022-07-26T12:17:39Z)
• Learning Cross-modal Contrastive Features for Video Domain Adaptation [138.75196499580804]
  本稿では、クロスモーダルとクロスドメインの特徴表現を同時に正規化する、ビデオドメイン適応のための統合フレームワークを提案する。 具体的には、ドメインの各モダリティを視点として扱い、コントラスト学習手法を適切に設計されたサンプリング戦略で活用する。
  論文  参考訳（メタデータ） (2021-08-26T18:14:18Z)
• Supervised Domain Adaptation using Graph Embedding [86.3361797111839]
  領域適応法は、2つの領域間の分布がシフトし、それを認識しようとすると仮定する。 グラフ埋め込みに基づく汎用フレームワークを提案する。 提案手法が強力なドメイン適応フレームワークにつながることを示す。
  論文  参考訳（メタデータ） (2020-03-09T12:25:13Z)

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。