論文の概要: Temporal Feature Distillation for Label-Efficient Precise Event Spotting in Sports Videos

• arxiv url: http://arxiv.org/abs/2607.10998v1
• Date: Mon, 13 Jul 2026 01:53:46 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-14 17:47:21.29799
• Title: Temporal Feature Distillation for Label-Efficient Precise Event Spotting in Sports Videos
• Title（参考訳）: スポーツビデオにおけるラベル効率の良い精密イベントスポッティングのための時間的特徴蒸留
• Abstract要約: フレームレベルのローカライゼーションのために,動作に敏感でバウンダリを認識したキューを保存するための時間的特徴蒸留を提案する。 また,視覚変換器に動作認識の時間情報を注入するマルチスケールゲートシフトモジュールであるTransformer Gate Shiftを導入する。
• 参考スコア（独自算出の注目度）: 12.467078527345128
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Precise Event Spotting (PES) requires distinguishing visually similar yet semantically distinct adjacent frames, making it fundamentally different from image classification and coarse action recognition. Although self-distillation methods such as DINO have shown strong representation learning ability in images, we find that directly applying them to PES is ineffective: without supervised guidance, subtle but crucial motion cues are often suppressed as noise, leading to representations that are insensitive to precise event boundaries. To address this, we propose Temporal Feature Distillation, a semi-supervised objective that aligns temporally informative backbone features, rather than projection-head outputs, to preserve motion-sensitive and boundary-aware cues for frame-level localization. A supervised warm-up with a ramp-up schedule further stabilizes training by ensuring that meaningful event cues are learned before unlabeled distillation begins. We also introduce Transformer Gate Shift, a multi-scale gated shifting module that injects motion-aware temporal information into Vision Transformers. Experiments on four fine-grained sports benchmarks show consistent improvements over fully supervised and semi-supervised baselines. Under 10\% supervision on FSPerf, our method improves mAP by 4.54 points over the strongest competing approach, and with only 80\% labeled data, it matches or surpasses the fully supervised 100\% baseline on two of the four datasets.
• Abstract（参考訳）: 精密イベントスポッティング(PES)では、視覚的に類似しているがセマンティックに異なる隣接フレームを区別する必要があるため、画像分類や粗いアクション認識とは根本的に異なる。 DINOのような自己蒸留法は画像に強い表現学習能力を示すが、それらを直接PSSに適用することは効果がない。 そこで本稿では,プロジェクションヘッド出力ではなく,時間的に情報を伝達するバックボーン特徴を調整し,フレームレベルのローカライゼーションのための動きに敏感でバウンダリを意識した手がかりを維持するための半教師対象である時間的特徴蒸留を提案する。 昇温スケジュールの監督されたウォームアップは、ラベルなし蒸留開始前に意味のあるイベントキューが学習されることを保証することにより、トレーニングをさらに安定化させる。 また,視覚変換器に動作認識の時間情報を注入するマルチスケールゲートシフトモジュールであるTransformer Gate Shiftを導入する。 4つの詳細なスポーツベンチマークの実験では、完全な教師付きベースラインとセミ教師付きベースラインよりも一貫した改善が見られた。 FSPerf の 10 % の監督の下では,最強の競合アプローチよりも mAP が 4.54 ポイント向上し,ラベル付きデータでは,4 つのデータセットのうち 2 つに対して完全に監督された 100 % のベースラインに適合または超えている。

関連論文リスト

• See the Change, Keep the Flow: Unsupervised Action Segmentation via Spectral-Temporal Representation Learning [28.808122183182576]
  SpecT-OTは、不均衡な最適輸送擬似ラベルの概念に基づいて構築されたスペクトル時間表現学習フレームワークである。 我々は、SpecT-OTが、BreakfastとDesktop Assemblyのベースラインで4.1ポイントのMoFと7.4ポイントのF1を含む15のメトリクスのうち13のベストな結果を達成することを示した。
  論文  参考訳（メタデータ） (2026-08-30T07:04:28Z)
• On-Policy Self-Distillation in Diffusion Models [89.32656931795293]
  強化学習は、拡散モデルと人間の好みやタスク固有の目的とを一致させることができるが、エンドポイント報酬は、中間的偏見予測をどのように変更すべきかを規定していない。 そこで我々は、DiffusionOPSDを、画像レベルの報酬誘導を明示的なターゲットに変換して、サンプルクエリにおけるクリーンな出力予測を行うオンライン自己蒸留フレームワークとして導入する。 SD 3.5-Mとステップ蒸留したZ-Image-Turboを用いて、2つのバックボーンと10個の評価器で20の報酬マッチング設定のうち19のファイナルホールトアウトスコアを達成した。
  論文  参考訳（メタデータ） (2026-08-25T14:55:24Z)
• Spectral Guidance for Flexible and Efficient Control of Diffusion Models [25.912824880444262]
  生成過程の内在的幾何を利用して拡散モデルを制御するためのフレームワークであるスペクトル誘導を導入する。 本研究では,条件付き期待演算子の特異関数として特徴付け,自己指導的目的によって学習可能であることを示す。
  論文  参考訳（メタデータ） (2026-05-27T15:11:09Z)
• MSACT: Multistage Spatial Alignment for Stable Low-Latency Fine Manipulation [4.439585594082787]
  実世界の微視的操作、特に双方向操作では、低レイテンシ制御と安定した視覚的位置決めが必要となる。 ACTのようなアクションチャンキングポリシーは、低レイテンシの実行とデータ効率を可能にするが、空間的一貫性を明示することなく、密集した視覚的特徴に依存している。 安定な2次元アテンションポイントを抽出し,時間的アライメントロスを伴う将来のアテンションシーケンスを共同で予測する多段階空間アテンションモジュールを提案する。
  論文  参考訳（メタデータ） (2026-05-01T07:35:15Z)
• From Skeletons to Pixels: Few-Shot Precise Event Spotting via Representation and Prediction Distillation [0.0]
  数発の精密イベントスポッティングのための2つの補完蒸留法について検討した。 AWD(Adaptive Weight Distillation)とAnnealed Multimodal Distillation for Few-Shot Event Detection(AMD-FED)を評価した。
  論文  参考訳（メタデータ） (2026-04-21T06:43:04Z)
• MoSiC: Optimal-Transport Motion Trajectory for Dense Self-Supervised Learning [66.53533434848369]
  密集した表現を学習する動き誘導型自己学習フレームワークを提案する。 6つの画像およびビデオデータセットと4つの評価ベンチマークにおいて、最先端を1%から6%改善する。
  論文  参考訳（メタデータ） (2025-06-10T11:20:32Z)
• MATE: Motion-Augmented Temporal Consistency for Event-based Point Tracking [58.719310295870024]
  本稿では,任意の点を追跡するイベントベースのフレームワークを提案する。 事象の間隔に起因する曖昧さを解決するため、運動誘導モジュールは運動ベクトルを局所的なマッチングプロセスに組み込む。 このメソッドは、任意のポイントベースラインのイベントのみのトラッキングに対して、$Survival_50$メトリックを17.9%改善する。
  論文  参考訳（メタデータ） (2024-12-02T09:13:29Z)
• FinePseudo: Improving Pseudo-Labelling through Temporal-Alignablity for Semi-Supervised Fine-Grained Action Recognition [57.17966905865054]
  実生活における行動認識の応用は、しばしば微妙な動きのきめ細かい理解を必要とする。 既存の半教師ありアクション認識は主に粗いアクション認識に焦点を当てている。 そこで我々は,微粒なアクションペアの識別を効果的に行うための,アライナビリティ検証に基づくメトリック学習手法を提案する。
  論文  参考訳（メタデータ） (2024-09-02T20:08:06Z)
• UIA-ViT: Unsupervised Inconsistency-Aware Method based on Vision Transformer for Face Forgery Detection [52.91782218300844]
  そこで我々は、UIA-ViTと呼ばれるビジョン変換器に基づく教師なし不整合認識手法を提案する。 自己注意機構により、パッチ埋め込み間の注意マップは自然に一貫性関係を表現し、一貫性表現学習に適した視覚変換器となる。
  論文  参考訳（メタデータ） (2022-10-23T15:24:47Z)
• SatMAE: Pre-training Transformers for Temporal and Multi-Spectral Satellite Imagery [74.82821342249039]
  Masked Autoencoder(MAE)に基づく時間・マルチスペクトル衛星画像の事前学習フレームワークであるSatMAEについて述べる。 時間的情報を活用するために、時間にわたって画像パッチを個別にマスキングする時間的埋め込みを含む。
  論文  参考訳（メタデータ） (2022-07-17T01:35:29Z)

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。