Fugu-MT 論文翻訳(概要): MamBOA: State-Space Architecture for Video Recognition

論文の概要: MamBOA: State-Space Architecture for Video Recognition

arxiv url: http://arxiv.org/abs/2606.15275v1
Date: Sat, 13 Jun 2026 12:27:06 GMT
ステータス: 翻訳完了
システム内更新日: 2026-06-16 16:21:33.245099
Title: MamBOA: State-Space Architecture for Video Recognition
Title（参考訳）: MamBOA: ビデオ認識のためのステートスペースアーキテクチャ
Authors: Mustafa Bora Çelik,
Abstract要約: MamBOAは、選択的な状態空間反復(S6)をネイティブモーションシンセサイザーとして再キャストする、バックボーンに依存しない時間的枠組みである。 Diving48では、MamBOAは85.02%のTop-1の精度で、画像付きバックボーンが86.24%、ビデオ付きバックボーンが1回のフォワードパスで全ビデオを処理している。
参考スコア（独自算出の注目度）: 0.0
License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
Abstract: Fine-grained action recognition demands temporal reasoning that general-purpose architectures address through different cost-accuracy tradeoffs: 3D dense operators couple computation to the input volume, while difference-based methods approximate motion through rigid, hand-crafted subtraction of uncontextualized features - each reflecting a deliberate design choice with corresponding limitations in expressiveness or flexibility. We present MamBOA, a backbone-agnostic temporal framework built upon a novel interleaved scan structure that recasts the selective state-space recurrence (S6) as a native motion synthesizer. By interleaving consecutive feature representations extracted from a pretrained backbone into a single alternating sequence, the proposed scan structurally drives the recurrence to encode both temporal observations of each position within a shared hidden state, separated by only a single decay step - rendering the inter-frame transition an intrinsic component of the state dynamics rather than an externally computed quantity. A cascade of dedicated alignment and decoding operations then distills this joint encoding into an explicit motion representation, which a dual-path pooling mechanism adaptively aggregates by balancing attention-driven selection with uniform temporal coverage. The framework interfaces seamlessly with CNN, Transformer, and Mamba backbone families, adding only ~2.1 GFLOPs per feature pair. On Diving48, MamBOA achieves 85.02% Top-1 accuracy with an image-pretrained backbone and 86.24% with a video-pretrained backbone processing the entire video in a single forward pass - demonstrating that structurally induced state-space dynamics constitute a principled and general foundation for motion modeling.
Abstract（参考訳）: 3D高密度演算子は計算を入力ボリュームに結合する一方、差分に基づく手法は、厳密で手作りの非テクスチャ化された特徴の減算による動きを近似する。本稿では,新しいインターリーブスキャン構造上に構築された骨格非依存の時間的枠組みであるMamBOAについて述べる。予め訓練されたバックボーンから抽出された連続した特徴表現を1つの交互配列にインターリーブすることにより、提案したスキャンは、再実行を構造的に駆動し、各位置の時間的観察を共有隠蔽状態内にエンコードし、単一の崩壊ステップのみによって分離し、フレーム間遷移を外部計算量ではなく、状態ダイナミクスの本質的な成分とする。専用アライメントとデコード操作のカスケードは、このジョイントエンコーディングを明示的な動作表現に蒸留し、二重パスプーリング機構は、一様時間被覆による注意駆動選択のバランスをとることで適応的に集約する。フレームワークはCNN、Transformer、Mambaのバックボーンファミリーとシームレスにインターフェースし、機能ペアあたり2.1 GFLOPしか追加していない。 Diving48では、MamBOAは85.02%のTop-1精度で、画像プレトレーニングバックボーンは86.24%、ビデオプレトレーニングバックボーンは1つのフォワードパスで全動画を処理する。

関連論文リスト

CineOrchestra: Unified Entity-Centric Conditioning for Cinematic Video Generation [57.47993858752813]
CineOrchestraは、被写体、イベント、カメラ、ショットトランジションを同時に制御する統合ビデオ拡散モデルである。新しい2つのベンチマークでは、CineOrchestraは、高密度キャプションとショット・トランジションのタイミングで、アクセントあたりのスペシャリスト6人を上回っている。
論文参考訳（メタデータ） (2026-06-11T17:59:10Z)
RhymeFlow: Training-Free Acceleration for Video Generation with Asynchronous Denoising Flow Scheduling [51.279397568734424]
Diffusion Transformers (DiTs) に基づく映像生成モデルは,映像合成において顕著な性能を発揮している。 DiTは3次元の注意の二次的な複雑さのために、高い推論遅延と計算コストに悩まされる。我々はbftextRhymeFlowを紹介した。bftextRhymeFlowはトレーニング不要のフレームワークで、異なるフレームの認知軌道を分離する。
論文参考訳（メタデータ） (2026-06-04T15:49:37Z)
AG-EgoPose: Leveraging Action-Guided Motion and Kinematic Joint Encoding for Egocentric 3D Pose Estimation [11.399976049695212]
AG-EgoPoseは、短距離と長距離の動作コンテキストときめ細かい空間的手がかりを統合して、ロバストなポーズ推定を行う新しいデュアルストリームフレームワークである。空間ストリームは、重量共有型ResNet-18エンコーダデコーダを用いて、2次元ジョイントヒートマップを生成する。時間ストリームはResNet-50バックボーンを使用して視覚的特徴を抽出し、アクション認識バックボーンによって処理され、モーションダイナミクスをキャプチャする。
論文参考訳（メタデータ） (2026-03-26T08:46:51Z)
MoBind: Motion Binding for Fine-Grained IMU-Video Pose Alignment [32.178798481694834]
3つの課題に対処するために設計された,階層的なコントラスト学習フレームワークであるMoBindを紹介する。モーション関連キューを分離するために、MoBindはIMU信号を生のピクセルではなく骨格的なモーションシーケンスと整列する。詳細な時間的対応を捉えるために、MoBindは階層的なコントラスト戦略を採用し、まずトークンレベルの時間的セグメントを整列させ、次にグローバル(体全体)のモーションアグリゲーションと局所的な(身体部分)アライメントを融合させる。
論文参考訳（メタデータ） (2026-02-22T01:54:29Z)
Towards Arbitrary Motion Completing via Hierarchical Continuous Representation [64.6525112550758]
Inlicit Representations(INR)に基づくNAMEと呼ばれる新しいパラメトリックアクティベーションによる階層的暗黙表現フレームワークを提案する。本手法では,複数の時間スケールで動作列から特徴を抽出し,複雑な時間パターンを効果的に捕捉する階層的時間符号化機構を提案する。
論文参考訳（メタデータ） (2025-12-24T14:07:04Z)
Bidirectional Feature-aligned Motion Transformation for Efficient Dynamic Point Cloud Compression [97.66080040613726]
特徴空間における動きを暗黙的にモデル化する双方向特徴整合運動変換(Bi-FMT)フレームワークを提案する。 Bi-FMTは、時間的に一貫した潜在表現を生成するために、過去と将来の両方のフレームで機能を調整する。圧縮効率とランタイムの両方において, Bi-FMT が D-DPCC と AdaDPCC を上回っていることを示す。
論文参考訳（メタデータ） (2025-09-18T03:51:06Z)
Temporal-Viewpoint Transportation Plan for Skeletal Few-shot Action Recognition [38.27785891922479]
Joint tEmporalとcAmera viewpoiNt alIgnmEntによる3Dスケルトンに基づく動作認識のためのFew-shot Learning Pipeline
論文参考訳（メタデータ） (2022-10-30T11:46:38Z)
Modelling Latent Dynamics of StyleGAN using Neural ODEs [52.03496093312985]
我々は、GANから独立に反転した潜在符号の軌跡を学習する。学習した連続軌道により、無限のフレームと一貫したビデオ操作を行うことができる。提案手法は最先端の性能を実現するが,計算量が少なくなる。
論文参考訳（メタデータ） (2022-08-23T21:20:38Z)
3D Skeleton-based Few-shot Action Recognition with JEANIE is not so Na\"ive [28.720272938306692]
We propose a Few-shot Learning pipeline for 3D skeleton-based action recognition by Joint tEmporal and cAmera viewpoiNt alIgnmEnt。
論文参考訳（メタデータ） (2021-12-23T16:09:23Z)
MotioNet: 3D Human Motion Reconstruction from Monocular Video with Skeleton Consistency [72.82534577726334]
モノクロビデオから3次元人間の骨格の動きを直接再構成するディープニューラルネットワークであるMotioNetを紹介した。本手法は,動作表現を完全かつ一般的に使用するキネマティックスケルトンを直接出力する最初のデータ駆動型手法である。
論文参考訳（メタデータ） (2020-06-22T08:50:09Z)

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。