論文の概要: TAP-JEPA: Frozen Future-Latent Probing and Two-Stage Score Fusion for EPIC-KITCHENS-100 Action Anticipation

• arxiv url: http://arxiv.org/abs/2606.00662v1
• Date: Sat, 30 May 2026 10:23:12 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-02 21:34:28.580123
• Title: TAP-JEPA: Frozen Future-Latent Probing and Two-Stage Score Fusion for EPIC-KITCHENS-100 Action Anticipation
• Title（参考訳）: TAP-JEPA:EPIC-KITCHENS-100 アクション予測のための凍結未来潜水探傷と2段階スコア融合
• Abstract要約: 本報告では,EgoVis 2026におけるEPIC-KITCHENS-100(EK-100)アクション予測チャレンジの受注であるTAP-JEPAについて述べる。 タスクは、次の動詞、名詞、動詞のアクションを、目的のアクションが始まる前に終わるエゴセントリックなクリップから予測することである。 大規模なビデオバックボーンを微調整する代わりに、TAP-JEPAは凍結したV-JEPA 2.1の機能でコンパクトな予測モデルを構築する。
• 参考スコア（独自算出の注目度）: 4.781417767575192
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This report presents TAP-JEPA, our runner-up submission to the EPIC-KITCHENS-100 (EK-100) Action Anticipation Challenge at EgoVis 2026. The task is to anticipate the next verb, noun, and verb-noun action from an egocentric clip that ends before the target action begins. Instead of fine-tuning a large video backbone, TAP-JEPA builds a compact anticipation model on frozen V-JEPA 2.1 features: a ViT-G/384 encoder extracts visible pre-action tokens, the pre-trained latent predictor estimates near-future tokens from the observed context, and both token groups are fused by attentive probes with task-specific queries for verbs, nouns, and action pairs. For the final submission, we expand supervised training with the official training split and most of the validation split, reserving a small subset for sanity checks and qualitative inspection, and adopt a two-stage score fusion that first averages eight independently initialized probe replicas within each epoch and then merges candidates from epochs 12-20 with field-dependent weights. On the official open-testing leaderboard, our sunshinesky entry achieves 27.91 percent overall action Mean Top-5 Recall (MT5R), ranking second and only 0.04 percentage points behind the top score.
• Abstract（参考訳）: 本報告では,EgoVis 2026におけるEPIC-KITCHENS-100(EK-100)アクション予測チャレンジの受注であるTAP-JEPAについて述べる。 タスクは、次の動詞、名詞、動詞のアクションを、目的のアクションが始まる前に終わるエゴセントリックなクリップから予測することである。 大きなビデオバックボーンを微調整する代わりに、TAP-JEPAは凍結したV-JEPA 2.1の機能にコンパクトな予測モデルを構築する: ViT-G/384エンコーダは可視的な事前アクショントークンを抽出し、事前訓練された遅延予測器は観察された文脈から近未来トークンを推定し、両方のトークングループは、動詞、名詞、アクションペアのタスク固有のクエリによる注意深いプローブによって融合される。 最終提出書では,正当性チェックと定性検査の小さなサブセットを保存し,各エポック内において独立に初期化プローブレプリカ8個を平均化し,12～20個の候補をフィールド依存重みにマージする2段階のスコア融合を実施。 公式のオープンテストのリーダーボードでは、私たちのサンシャインスキーのエントリーは、平均トップ5リコール(MT5R)全体の27.91パーセントを獲得し、トップスコアの2位と0.04ポイントしかありません。

関連論文リスト

• GE-Act 2.0: Pretraining and Scaling a World-Action Model for Robotic Manipulation [63.853929983870955]
  本稿では,ジェニー・エンスペクタ法 2.0 (GE-Act 2.0) について紹介する。 制御指向オートエンコーダ(CoAE)、ワンステップビジュアルプランナー(SVP)、逆ダイナミクスモデル(IDM)を組み合わせている。 それらのコンポーネントは、知識に整合した選択最適化(KASO)で共同で訓練され、記録された行動に適合していると判断された予測された未来のみを選択することで、ミスマッチした監視を減らす。
  論文  参考訳（メタデータ） (2026-09-04T17:16:48Z)
• FROST-STA: Frozen Dense Features for the Ego4D Short-Term Object Interaction Anticipation [4.781417767575192]
  本報告では,EgoVis 2026におけるEgo4D Short-Term Object Interaction Precipation (STA) Challengeへの提案であるFROST-STAについて述べる。 各クエリ時間について、このモデルは、アクティブオブジェクトボックス、名詞ラベル、動詞ラベル、TTC(Time-to-Contact)、信頼度を含むランク付けされた構造化仮説を生成する。 FROST-STAは、V-JEPA 2.1 STA評価プロトコルをベースにしているが、オブジェクト中心のデコード、マルチヘッド予測、提案指向のトレーニングとアンサンブルのレシピを使用することで、この問題に適応している。
  論文  参考訳（メタデータ） (2026-05-30T12:07:32Z)
• JFAA: Technical Report for the EPIC-KITCHENS-100 Action Anticipation Challenge at EgoVis 2026 [70.67609435035631]
  JFAAはEPIC-KITCHENS-100(EK-100)アクション予測タスクのためのJEPAベースのFuture Action Precipationメソッドである。 V-JEPA 2.1の表現学習と将来の予測能力に触発されて、JFAAは凍結エンコーダと予測器を使用して観測された文脈特徴を抽出する。 軽量な注意プローブは、別のタスククエリで動詞、名詞、アクションロジットを予測するために訓練される。
  論文  参考訳（メタデータ） (2026-05-20T08:47:50Z)
• VISTA: Technical Report for the Ego4D Short-Term Object Interaction Anticipation at EgoVis 2026 [70.67609435035631]
  エゴセントリックなビデオタイムスタンプが与えられたら、次の人間と物体の相互作用を予測する必要がある。 ViSTAは、オブジェクト中心空間検出と短時間時間コンテキストを組み合わせたStillFastスタイルの設計に従う。 実験の結果、VISTAはEgoVis 2026 Ego4D STA Challengeで1位を獲得した。
  論文  参考訳（メタデータ） (2026-05-20T08:42:56Z)
• NVIDIA-UNIBZ Submission for EPIC-KITCHENS-100 Action Anticipation Challenge 2022 [13.603712913129506]
  EPIC-Kitchen-100アクション予測課題の技術的詳細について述べる。 我々のモデリング、高次の時空変換器、エッジ学習を用いたメッセージパスニューラルネットワークはどちらも、2.5秒の推論コンテキストのみを観測し、アクション予測予測を形成するリカレントベースアーキテクチャである。 提案したトレーニングパイプラインでコンパイルされたモデルの予測スコアを平均化することにより、テストセット上で強力なパフォーマンスを実現しました。
  論文  参考訳（メタデータ） (2022-06-22T06:34:58Z)
• End-to-End Zero-Shot HOI Detection via Vision and Language Knowledge Distillation [86.41437210485932]
  我々は、ゼロショットHOI検出を前進させ、同時に見えないHOIと見えないHOIの両方を検出することを目指している。 本稿では,視覚言語による知識蒸留によるエンドツーエンドのゼロショットHOI検出フレームワークを提案する。 本手法は, 従来のSOTAを8.92%, 全体の10.18%で上回っている。
  論文  参考訳（メタデータ） (2022-04-01T07:27:19Z)
• Team Enigma at ArgMining-EMNLP 2021: Leveraging Pre-trained Language Models for Key Point Matching [0.0]
  本稿では,ArgMining 2021におけるキーポイント分析共有タスクへのシステム記述について述べる。 入力(トピック、キーポイント、引数)から抽出した追加データや特徴を組み込んで、パフォーマンスを向上させるとともに、事前訓練された言語モデルの既存の状態を活用しました。 評価フェーズでは,mAP厳格化,mAP緩和スコアが0.872,0.966となり,リーダーボードでは5位となった。
  論文  参考訳（メタデータ） (2021-10-24T07:10:39Z)
• SAIC_Cambridge-HuPBA-FBK Submission to the EPIC-Kitchens-100 Action Recognition Challenge 2021 [80.05652375838073]
  本報告では,EPIC-Kitchens-100 Action Recognition Challenge 2021への提出の技術的詳細について述べる。 我々の提出は、公共のリーダーボードで見ることができ、RGBのみを使用して、44.82%のトップ1の行動認識精度を達成した。
  論文  参考訳（メタデータ） (2021-10-06T16:29:47Z)
• TransAction: ICL-SJTU Submission to EPIC-Kitchens Action Anticipation Challenge 2021 [42.35018041385645]
  我々は行動予測のための階層的注意モデルを開発した。 平均トップ5 アクションのリコールに関しては、チーム名 ICL-SJTU が13.39% に達した。 以下の3つの(部分)集合の中で、動詞のクラスで1位にランクされたことは注目に値する。
  論文  参考訳（メタデータ） (2021-07-28T10:42:47Z)
• Anticipative Video Transformer [105.20878510342551]
  Precipative Video Transformer (AVT) は、エンド・ツー・エンドの注意に基づくビデオモデリングアーキテクチャである。 我々は,連続した将来のフレームの特徴を予測可能なフレーム特徴エンコーダを学習しながら,ビデオシーケンスにおける次のアクションを予測するためにモデルを共同で訓練する。
  論文  参考訳（メタデータ） (2021-06-03T17:57:55Z)
• Rescaling Egocentric Vision [48.57283024015145]
  本稿では,エゴセントリックビジョンにおける最大のデータセットであるEPIC-KITCHENSを拡張するパイプラインを紹介する。 この取り組みは、100時間20Mフレーム、700の可変長ビデオの90KアクションからなるEPIC-KITCHENS-100で頂点に達した。 EPIC-KITCHENS-100は以前のバージョンと比較して、より密度の高い(毎分54%のアクション)アクションとより完全なアクションアノテーション(+128%以上のアクションセグメント)を可能にする新しいパイプラインを使用して注釈付けされている。
  論文  参考訳（メタデータ） (2020-06-23T18:28:04Z)

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。