論文の概要: Learning Probabilistic Embeddings for Unsupervised Action Segmentation

• arxiv url: http://arxiv.org/abs/2607.05263v1
• Date: Mon, 06 Jul 2026 16:10:25 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-07 22:26:30.234716
• Title: Learning Probabilistic Embeddings for Unsupervised Action Segmentation
• Title（参考訳）: 教師なしアクションセグメンテーションのための確率的埋め込み学習
• Abstract要約: 本研究では,長期的・未編集映像に対する非教師的時間的動作分割の問題について検討する。 フレーム表現の確率的埋め込みを学習する。 決定論的埋め込みと比較して、我々の手法はMoFを20.7%、F1スコアを19.0%に改善する。
• 参考スコア（独自算出の注目度）: 28.558361258499527
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: This paper concerns the problem of unsupervised temporal action segmentation for long, untrimmed videos. Recent successful approaches follow a joint representation learning and clustering paradigm, where optimal transport (OT) is adopted to produce pseudo labels for learning frame representations. These approaches alternate between estimating pseudo labels using OT and optimizing the parameters with gradient descent during training, where OT is used for obtaining the final temporal action segmentation. A major limitation of these works is that they learn a deterministic embedding for frame representations. The iterative procedure between learning deterministic embeddings based on pseudo labels and estimating pseudo labels from the learned embedding can thus get quickly stuck in a local optimum. As an alternative, we thus propose to learn a probabilistic embedding for frame representations. The embeddings are modeled by Gaussian distributions and we sample from the distributions before estimating the pseudo labels. We evaluate our approach on several challenging temporal action segmentation datasets and achieve results comparable to, and in some cases, better than the state of the art. Compared to baselines with deterministic embeddings, our approach improves MoF up to 20.7\% and F1-score up to 19.0\%. Our code is available at https://github.com/derkbreeze/PEOT.
• Abstract（参考訳）: 本稿では、長編未編集ビデオにおける教師なし時間的アクションセグメンテーションの問題点について述べる。 近年成功したアプローチは、フレーム表現を学習するための擬似ラベルを生成するために最適なトランスポート(OT)を採用する、共同表現学習とクラスタリングのパラダイムに従っている。 これらのアプローチは、OTを用いた擬似ラベルの推定とトレーニング中の勾配降下パラメータの最適化の交互に行われ、OTは最終的な時間的行動セグメンテーションを得るために使用される。 これらの研究の大きな制限は、フレーム表現に対する決定論的埋め込みを学ぶことである。 擬似ラベルに基づく決定論的埋め込みの学習と、学習された埋め込みから擬似ラベルを推定することの反復的手順は、局所的な最適条件で素早く止まることができる。 そこで本研究では,フレーム表現の確率的埋め込みを学習することを提案する。 埋め込みはガウス分布によってモデル化され、擬似ラベルを推定する前に分布からサンプリングする。 我々は、いくつかの挑戦的な時間的行動セグメンテーションデータセットに対するアプローチを評価し、その結果が最先端技術よりも優れている場合もあります。 決定論的埋め込みと比較して、我々の手法はMoFを20.7\%、F1スコアを19.0\%に改善する。 私たちのコードはhttps://github.com/derkbreeze/PEOT.comで公開されています。

関連論文リスト

• Amortized Variational Inference for Partial-Label Learning: A Probabilistic Approach to Label Disambiguation [2.7214777196418645]
  部分ラベル学習列車は、各インスタンスが候補ラベルのセットに関連付けられているときに分類する。 本稿では,アモータライズされた変分推論を用いて,真のラベル上の後部分布を直接近似する新しいフレームワークを提案する。 提案手法はニューラルネットワークを用いて入力データから変動パラメータを予測し,効率的な推論を可能にする。
  論文  参考訳（メタデータ） (2025-10-24T09:54:23Z)
• Active Learning via Classifier Impact and Greedy Selection for Interactive Image Retrieval [4.699825956909531]
  Active Learning(AL)は,ラベル付けに最も重要な例を選択することで,アノテーションコストの削減を目的とした,ユーザインタラクションのアプローチである。 我々はGAL(Greedy Active Learning)と呼ばれる新しいバッチモードアクティブラーニングフレームワークを導入し、このアプリケーションに対処する。
  論文  参考訳（メタデータ） (2024-12-03T09:27:46Z)
• Exploiting Counter-Examples for Active Learning with Partial labels [45.665996618836516]
  本稿では, 部分ラベルを用いたemphactive learning(ALPL)の新たな課題について検討する。 この設定では、オラクルはクエリサンプルに部分的なラベルを付加し、必要な正確なラベル付けプロセスからオラクルを緩和する。 我々は,このパターンを直接学習するために,シンプルだが効果的なWorseNetを提案する。
  論文  参考訳（メタデータ） (2023-07-14T15:41:53Z)
• LESS: Label-Efficient Semantic Segmentation for LiDAR Point Clouds [62.49198183539889]
  我々は,LiDAR点雲を用いた屋外シーンのためのラベル効率のよいセマンティックセマンティックセマンティクスパイプラインを提案する。 本手法は,半弱教師付き学習を用いて,効率的なラベリング手法を設計する。 提案手法は,100%ラベル付き完全教師付き手法と比較して,さらに競争力が高い。
  論文  参考訳（メタデータ） (2022-10-14T19:13:36Z)
• Learning with Neighbor Consistency for Noisy Labels [69.83857578836769]
  特徴空間におけるトレーニング例間の類似性を利用した雑音ラベルから学習する手法を提案する。 合成(CIFAR-10, CIFAR-100)とリアル(mini-WebVision, Clothing1M, mini-ImageNet-Red)の両方のノイズを評価するデータセットの評価を行った。
  論文  参考訳（メタデータ） (2022-02-04T15:46:27Z)
• Dash: Semi-Supervised Learning with Dynamic Thresholding [72.74339790209531]
  我々は、ラベルのない例を使ってモデルをトレーニングする半教師付き学習(SSL)アプローチを提案する。 提案手法であるDashは、ラベルなしデータ選択の観点から適応性を享受する。
  論文  参考訳（メタデータ） (2021-09-01T23:52:29Z)
• Sinkhorn Label Allocation: Semi-Supervised Classification via Annealed Self-Training [38.81973113564937]
  セルフトレーニングは、学習者がラベルのないデータに関する予測をトレーニング中の監督として使用する半教師付き学習の標準的なアプローチです。 本稿では,このラベル割当問題を事例とクラス間の最適輸送問題として再解釈する。 我々は,CIFAR-10,CIFAR-100,SVHNデータセットに対するアルゴリズムの有効性を,最先端の自己学習アルゴリズムであるFixMatchと比較した。
  論文  参考訳（メタデータ） (2021-02-17T08:23:15Z)
• Coping with Label Shift via Distributionally Robust Optimisation [72.80971421083937]
  分散ロバスト最適化(DRO)に基づく目的最小化モデルを提案する。 そこで我々は,提案した目的を最適化するために,大規模問題に適した勾配降下近位ミラー上昇アルゴリズムを設計し,解析する。
  論文  参考訳（メタデータ） (2020-10-23T08:33:04Z)
• Deep Semi-supervised Knowledge Distillation for Overlapping Cervical Cell Instance Segmentation [54.49894381464853]
  本稿では, ラベル付きデータとラベルなしデータの両方を, 知識蒸留による精度向上に活用することを提案する。 摂動に敏感なサンプルマイニングを用いたマスク誘導型平均教師フレームワークを提案する。 実験の結果,ラベル付きデータのみから学習した教師付き手法と比較して,提案手法は性能を著しく向上することがわかった。
  論文  参考訳（メタデータ） (2020-07-21T13:27:09Z)
• Progressive Identification of True Labels for Partial-Label Learning [112.94467491335611]
  部分ラベル学習(Partial-label Learning, PLL)は、典型的な弱教師付き学習問題であり、各トレーニングインスタンスには、真のラベルである候補ラベルのセットが設けられている。 既存のほとんどの手法は、特定の方法で解決しなければならない制約付き最適化として精巧に設計されており、計算複雑性をビッグデータにスケールアップするボトルネックにしている。 本稿では,モデルと最適化アルゴリズムの柔軟性を備えた分類器の新しいフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-02-19T08:35:15Z)

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。