論文の概要: Revisiting Uncertainty: On Evidential Learning for Partially Relevant Video Retrieval

• arxiv url: http://arxiv.org/abs/2605.06083v1
• Date: Thu, 07 May 2026 12:06:13 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-05-08 22:27:11.748897
• Title: Revisiting Uncertainty: On Evidential Learning for Partially Relevant Video Retrieval
• Title（参考訳）: 不確かさを再考する:部分的関連ビデオ検索のための証拠学習について
• Authors: Jun Li, Peifeng Lai, Xuhang Lou, Jinpeng Wang, Yuting Wang, Ke Chen, Yaowei Wang, Shu-Tao Xia,
• Abstract要約: 部分的関連性のあるビデオ検索は、部分的コンテンツのみを記述するテキストクエリを使って、未編集の動画を検索することを目的としている。 この設定では、曖昧なクエリはしばしばビデオ間のセマンティックなあいまいさを引き起こす。 我々は,多粒質のクロスモーダルな証拠を集約し,不確実性を定量化し,モデル化する階層的顕在的学習フレームワークであるHolmesを提案する。
• 参考スコア（独自算出の注目度）: 70.47320120707029
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Partially relevant video retrieval aims to retrieve untrimmed videos using text queries that describe only partial content. However, the inherent asymmetry between brief queries and rich video content inevitably introduces uncertainty into the retrieval process. In this setting, vague queries often induce semantic ambiguity across videos, a challenge that is further exacerbated by the sparse temporal supervision within videos, which fails to provide sufficient matching evidence. To address this, we propose Holmes, a hierarchical evidential learning framework that aggregates multi-granular cross-modal evidence to quantify and model uncertainty explicitly. At the inter-video level, similarity scores are interpreted as evidential support and modeled via a Dirichlet distribution. Based on the proposed three-fold principle, we perform fine-grained query identification, which then guides query-adaptive calibrated learning. At the intra-video level, to accumulate denser evidence, we formulate a soft query-clip alignment via flexible optimal transport with an adaptive dustbin, which alleviates sparse temporal supervision while suppressing spurious local responses. Extensive experiments demonstrate that Holmes outperforms state-of-the-art methods. Code is released at https://github.com/lijun2005/ICML26-Holmes.
• Abstract（参考訳）: 部分的関連性のあるビデオ検索は、部分的コンテンツのみを記述するテキストクエリを使って、未編集の動画を検索することを目的としている。 しかし、短いクエリとリッチなビデオコンテンツとの間の固有の非対称性は、必然的に検索プロセスに不確実性をもたらす。 この設定では、曖昧なクエリはビデオ間のセマンティックなあいまいさをしばしば引き起こすが、これはビデオ内のわずかな時間的監督によってさらに悪化し、十分な一致した証拠を提供できない課題である。 これを解決するために,多粒質のクロスモーダルな証拠を集約して不確実性を定量化し,モデル化する階層的明らかな学習フレームワークであるHolmesを提案する。 ビデオ間レベルでは、類似度スコアは明らかなサポートとして解釈され、ディリクレ分布を介してモデル化される。 提案した3倍の原理に基づいて,詳細なクエリ識別を行い,クエリ適応型校正学習を指導する。 ビデオ内レベルでは,より高密度な証拠を蓄積するため,適応ダストビンを用いた柔軟な最適輸送によりソフトなクエリ・クリップアライメントを定式化し,緩やかな局所応答を抑えながら時間的監督を緩和する。 大規模な実験により、ホームズは最先端の手法よりも優れていた。 コードはhttps://github.com/lijun2005/ICML26-Holmesで公開されている。

関連論文リスト

• Think, Then Verify: A Hypothesis-Verification Multi-Agent Framework for Long Video Understanding [25.82963105515627]
  VideoHV-Agentは、構造化仮説検証プロセスとしてビデオ質問応答を再構成するフレームワークである。 ビデオHV-Agentは,解釈性の向上,論理的音質の向上,計算コストの低減を実現し,最先端の精度を実現する。
  論文  参考訳（メタデータ） (2026-03-05T09:16:07Z)
• VideoTemp-o3: Harmonizing Temporal Grounding and Video Understanding in Agentic Thinking-with-Videos [44.23732277782877]
  長時間の理解では、一様フレームサンプリングはしばしば重要な視覚的証拠を捉えず、性能が低下し幻覚が増大する。 最近のエージェント思考とビデオのパラダイムが出現し、ローカライズ・クリップ・アンサー・パイプラインが採用されている。 我々は,ビデオグラウンドと質問応答を共同でモデル化する統合型エージェント思考・ビデオフレームワークであるVideoTemp-o3を提案する。
  論文  参考訳（メタデータ） (2026-02-08T03:45:50Z)
• SeViCES: Unifying Semantic-Visual Evidence Consensus for Long Video Understanding [36.30263540665245]
  本稿では,効果的で信頼性の高いロングビデオ理解のためのフレームワークを提案する。 SeViCESはトレーニング不要でモデルに依存しない2つの重要なコンポーネントを導入している。 長いビデオ理解ベンチマークの実験によると、SeViCESは精度と堅牢性の両方で最先端の手法を一貫して上回っている。
  論文  参考訳（メタデータ） (2025-10-23T14:55:28Z)
• Enhancing Partially Relevant Video Retrieval with Robust Alignment Learning [29.427720184101474]
  関連のあるビデオ検索は、あるクエリに関連するビデオを取得することを目的としている。 中心となる課題は、突発的なセマンティックな相関に対して、堅牢なクエリとビデオのアライメントを学ぶことだ。 データの不確実性を明示的にモデル化するRobust Alignment Learningフレームワークを提案する。
  論文  参考訳（メタデータ） (2025-09-01T11:30:43Z)
• Transform-Equivariant Consistency Learning for Temporal Sentence Grounding [66.10949751429781]
  ビデオ毎により差別的な表現を学習するために,新しい同変一貫性規則学習フレームワークを導入する。 私たちのモチベーションは、クエリ誘導アクティビティの時間的境界を一貫して予測することにある。 特に,ビデオの完全性と滑らか性を高めるために,自己教師付き一貫性損失モジュールを考案した。
  論文  参考訳（メタデータ） (2023-05-06T19:29:28Z)
• SELF-VS: Self-supervised Encoding Learning For Video Summarization [6.21295508577576]
  本稿では,知識蒸留を用いてトランスフォーマーエンコーダを事前学習する自己教師型ビデオ表現学習手法を提案する。 提案手法は,フレーム重要度スコアに基づいて構築されたセマンティックビデオ表現と,映像分類を訓練したCNNから派生した表現とをマッチングする。
  論文  参考訳（メタデータ） (2023-03-28T14:08:05Z)
• Video Moment Retrieval from Text Queries via Single Frame Annotation [65.92224946075693]
  ビデオモーメント検索は、与えられた自然言語クエリによって記述されたモーメントの開始と終了のタイムスタンプを見つけることを目的としている。 完全な教師付き手法は、有望な結果を達成するために完全な時間境界アノテーションを必要とする。 我々は「用語アノテーション」と呼ばれる新しいパラダイムを提案する。
  論文  参考訳（メタデータ） (2022-04-20T11:59:17Z)
• Probabilistic Representations for Video Contrastive Learning [64.47354178088784]
  本稿では,確率的表現と対比学習を橋渡しする自己教師型表現学習法を提案する。 ビデオ配信全体から埋め込みをサンプリングすることにより、注意深いサンプリング戦略や変換を回避し、クリップの拡張ビューを生成することができる。
  論文  参考訳（メタデータ） (2022-04-08T09:09:30Z)
• Learning from Untrimmed Videos: Self-Supervised Video Representation Learning with Hierarchical Consistency [60.756222188023635]
  教師なしビデオにおいて,より豊富な情報を活用することで表現の学習を提案する。 HiCoは、トリミングされていないビデオのより強力な表現を生成するだけでなく、トリミングされたビデオに適用した場合の表現品質も向上する。
  論文  参考訳（メタデータ） (2022-04-06T18:04:54Z)
• Deconfounded Video Moment Retrieval with Causal Intervention [80.90604360072831]
  本研究は,ビデオ中の特定のモーメントをテキストクエリに従ってローカライズすることを目的とした,ビデオモーメント検索(VMR)の課題に取り組む。 既存の手法は主に複雑な相互モーダル相互作用によるクエリとモーメントのマッチング関係をモデル化する。 本稿では,クエリとビデオコンテンツが予測に与える影響を捉えるために,構造因果モデルを構築する因果性に着想を得たVMRフレームワークを提案する。
  論文  参考訳（メタデータ） (2021-06-03T01:33:26Z)

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。