論文の概要: Frequency-guided Multi-level Reasoning for Scene Graph Generation in Video
- arxiv url: http://arxiv.org/abs/2604.17298v1
- Date: Sun, 19 Apr 2026 07:28:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-21 21:52:52.446014
- Title: Frequency-guided Multi-level Reasoning for Scene Graph Generation in Video
- Title（参考訳）: 映像におけるシーングラフ生成のための周波数誘導多レベル推論
- Authors: Chenxing Li, Yiping Duan, Xiaoming Tao,
- Abstract要約: Video Scene Graphは、高レベルな配信のためのビデオにおいて、オブジェクトの構造的表現とその意味的関係を得ることを目的としている。
本稿では,長距離関係のモデリング能力を高めるマルチレベル推論(FReMuRe)モデルを提案する。
実験の結果、FReMuReはAction Genomeデータセット上での長い関係のリコール率と全体的な推論を著しく改善することがわかった。
- 参考スコア（独自算出の注目度）: 23.512115464610726
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Video Scene Graph Generation aims to obtain structured semantic representations of objects and their relationships in videos for high-level understanding. However, existing methods still have limitations in handling long-tail distributions. This paper proposes the Frequency-guided Relational Multi-level Reasoning (FReMuRe) model, which enhances the modeling ability of long-tail relationships from a mechanism perspective. We introduce relation-specific branches to deal gradient conflicts, yielding more balanced and tail-aware learning. And we design a frequency-aware dual-branch predicate embedding network to model high-frequency and low-frequency relationships separately and improve the recall rate of tail classes through gated fusion. Meanwhile, we propose two types of interchangeable relation classification heads: Bayesian Head for uncertainty estimation and new Gaussian Mixture Model Head to enhance intra-class diversity. Experimental results show that FReMuRe significantly improves the recall rate of long-tail relationships and overall reasoning robustness on the Action Genome dataset.
- Abstract（参考訳）: ビデオシーングラフ生成は、高レベルな理解のためのビデオにおいて、オブジェクトとその関連性の構造化された意味表現を得ることを目的としている。
しかし、既存の手法は長い尾の分布を扱うのに制限がある。
本稿では,周波数誘導型リレーショナルマルチレベル推論(FReMuRe)モデルを提案する。
関係性固有の分岐を導入し、よりバランスの取れた末尾学習を実現する。
また、高周波・低周波関係を別々にモデル化し、ゲート融合によるテールクラスのリコール率を向上させるために、周波数対応の2分岐述語埋め込みネットワークを設計する。
一方,不確実性推定のためのベイジアンヘッドと,クラス内多様性を高めるための新しいガウス混合モデルヘッドの2種類の相互関係分類ヘッドを提案する。
実験結果から,FReMuReはAction Genomeデータセット上での長い尾関係のリコール率と全体的な推論ロバスト性を大幅に改善することが示された。
関連論文リスト
- Long-tailed Recognition with Model Rebalancing [34.149401963172934]
長い尾の認識はユビキタスで、ディープラーニングでは難しい。
本稿では,モデルのパラメータ空間を直接再バランスすることで不均衡を緩和する新しいフレームワーク,Model Rebalancingを提案する。
MOREは、特に尾クラスの一般化を大幅に改善し、既存の不均衡緩和手法を効果的に補完する。
論文 参考訳（メタデータ） (2025-10-09T13:04:38Z) - SDGF: Fusing Static and Multi-Scale Dynamic Correlations for Multivariate Time Series Forecasting [9.027814258970684]
時系列の正確な予測にはシリーズ間相関が不可欠である。
これらの関係はしばしば異なる時間スケールにわたる複雑なダイナミクスを示す。
既存のメソッドは、これらのマルチスケール依存関係のモデリングに限られています。
論文 参考訳（メタデータ） (2025-09-14T11:23:12Z) - Multi-Level Collaboration in Model Merging [56.31088116526825]
本稿では,モデルマージとモデルアンサンブルの本質的な関係について考察する。
これまでの制限が満たされていない場合でも、モデルのマージによって、アンサンブルと同じような、ほぼ同一かつ優れたパフォーマンスを達成する方法がまだ存在することが分かっています。
論文 参考訳（メタデータ） (2025-03-03T07:45:04Z) - Robust Training of Federated Models with Extremely Label Deficiency [84.00832527512148]
フェデレーション半教師付き学習(FSSL)は、ラベル不足を伴う分散データを用いて機械学習モデルを協調訓練するための強力なパラダイムとして登場した。
我々は,ラベル付きおよびラベルなしデータの異なる視点から洞察を提供することにより相互指導を強化するために,ツインサイトと呼ばれる新しいツインモデルパラダイムを提案する。
4つのベンチマークデータセットに関する包括的な実験は、Twin-sightが様々な実験環境において最先端の手法を著しく上回っていることを示す重要な証拠となる。
論文 参考訳（メタデータ） (2024-02-22T10:19:34Z) - Local Consensus Enhanced Siamese Network with Reciprocal Loss for
Two-view Correspondence Learning [35.5851523517487]
2視点対応学習は通常、一致の信頼性と相対的なポーズを共同で予測するエンドツーエンドネットワークを確立する。
本稿では,既存のモデルの特徴を増強するローカル・フィーチャー・コンセンサス (LFC) プラグイン・ブロックを提案する。
我々は既存のモデルを相互予測の監督を生かした相互損失を伴うシームズネットワークに拡張する。
論文 参考訳（メタデータ） (2023-08-06T22:20:09Z) - An Empirical Study: Extensive Deep Temporal Point Process [61.14164208094238]
本稿では,非同期イベントシーケンスを時間的プロセスでモデル化することの課題と最近の研究を概観する。
本稿では,多種類のイベント間の関係を生かしたGranger因果発見フレームワークを提案する。
論文 参考訳（メタデータ） (2021-10-19T10:15:00Z) - Learning of Visual Relations: The Devil is in the Tails [59.737494875502215]
視覚的関係学習は、物体群に関する共同推論の性質から、長期にわたる問題である。
本稿では,悪が天国にあるという別の仮説を探求する。
この仮説の下では、モデルをシンプルに保ちながら、長い尾の分布に対処する能力を向上させることで、より良い性能が得られる。
論文 参考訳（メタデータ） (2021-08-22T08:59:35Z) - Distantly-Supervised Long-Tailed Relation Extraction Using Constraint
Graphs [16.671606030727975]
本稿では,関係ラベル間の依存関係をモデル化するための制約グラフを提案する。
また,2つの課題を同時に扱うために,制約グラフに基づく関係抽出フレームワーク(CGRE)を提案する。
CGREはグラフ畳み込みネットワーク(GCN)を用いて、データリッチな関係ノードからデータ貧弱な関係ノードへ情報を伝達する。
論文 参考訳（メタデータ） (2021-05-24T12:02:32Z) - RH-Net: Improving Neural Relation Extraction via Reinforcement Learning
and Hierarchical Relational Searching [2.1828601975620257]
本稿では、強化学習と階層型関係探索モジュールを用いて関係抽出を改善するRH-Netという新しいフレームワークを提案する。
次に、データリッチクラスとデータポーアクラス間の相関インスタンスのセマンティクスを共有する階層的関係探索モジュールを提案する。
論文 参考訳（メタデータ） (2020-10-27T12:50:27Z) - Improving Long-Tail Relation Extraction with Collaborating
Relation-Augmented Attention [63.26288066935098]
本稿では,ニューラルネットワーク,コラボレーティング・リレーショナル・アテンション(CoRA)を提案する。
一般的なベンチマークデータセットNYTの実験では、提案されたCoRAは、最先端のパフォーマンスを大きなマージンで改善する。
論文 参考訳（メタデータ） (2020-10-08T05:34:43Z) - Long-tailed Recognition by Routing Diverse Distribution-Aware Experts [64.71102030006422]
我々は、RoutIng Diverse Experts (RIDE) と呼ばれる新しい長い尾の分類器を提案する。
複数の専門家とのモデルの分散を減らし、分布を考慮した多様性損失によるモデルバイアスを減らし、動的専門家ルーティングモジュールによる計算コストを削減します。
RIDEは、CIFAR100-LT、ImageNet-LT、iNaturalist 2018ベンチマークで最先端を5%から7%上回っている。
論文 参考訳（メタデータ） (2020-10-05T06:53:44Z)
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。