論文の概要: GenPrior: Unleashing Text-to-Motion Generative Priors for Zero-Shot Skeleton-based Action Recognition
- arxiv url: http://arxiv.org/abs/2608.02236v1
- Date: Mon, 03 Aug 2026 13:49:13 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-04 15:07:25.583232
- Title: GenPrior: Unleashing Text-to-Motion Generative Priors for Zero-Shot Skeleton-based Action Recognition
- Title（参考訳）: GenPrior:ゼロショットスケルトンに基づく行動認識のためのテキストから運動への生成優先事項の公開
- Abstract要約: 本稿では,事前学習されたテキスト・トゥ・モーション(T2M)モデルから生成前の先行情報を活用して行動認識を行うフレームワークを提案する。
具体的には, 生成運動系列からキネティックプロトタイプとクラス内分散を蒸留する分散ゲート型特徴核融合を導入する。
また, 次世代のプロトタイプをアンカーとして活用し, 信頼性の低いサンプルをマイニングするジェネレーティブプロトタイプリファインメントを提案する。
- 参考スコア（独自算出の注目度）: 26.447920160010515
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Zero-shot skeleton-based action recognition (ZSAR) aims to recognize unseen action categories by aligning skeleton features with textual semantics. However, existing methods rely on text-derived prototypes that inherently lack geometric structure and physical constraints, resulting in a pronounced \textit{semantic-kinematic gap}. To bridge this gap, we propose \textbf{GenPrior}, the first framework to exploit generative priors from pre-trained Text-to-Motion (T2M) models for ZSAR. Specifically, we introduce Dispersion-Gated Feature Fusion, which distills kinematic prototypes and intra-class dispersion from generative motion sequences and employs a learned gating network to adaptively inject reliable structural cues into textual embeddings while suppressing synthetic artifacts. Furthermore, we propose Generative Prototype Refinement, which leverages these generation-enhanced prototypes as anchors to mine high-confidence unseen samples, calibrating class prototypes toward the true distribution and thereby unleashing strong performance gains. Extensive experiments on NTU-60, NTU-120, and PKU-MMD demonstrate that GenPrior achieves state-of-the-art performance under both zero-shot and generalized zero-shot settings. Code is available at https://github.com/jidongkuang/GenPrior.
- Abstract（参考訳）: ゼロショットスケルトンに基づくアクション認識(ZSAR)は、スケルトンの特徴をテキストのセマンティクスと整合させることによって、目に見えないアクションカテゴリを認識することを目的としている。
しかし、既存の手法は、本質的に幾何学的構造や物理的制約を欠いているテキスト由来のプロトタイプに依存しており、結果として「textit{semantic-kinematic gap}」と発音される。
このギャップを埋めるために、ZSARのための事前訓練されたテキスト・トゥ・モーション(T2M)モデルから生成した先行情報を活用するための最初のフレームワークである \textbf{GenPrior} を提案する。
具体的には, 生成運動列からキネティックなプロトタイプとクラス内分散を蒸留し, 信頼性の高い構造的キューをテキスト埋め込みに適応的に注入し, 合成アーティファクトを抑制できる学習ゲーティングネットワークを提案する。
さらに, 次世代のプロトタイプをアンカーとして利用して, 高信頼の未確認サンプルをマイニングし, クラスプロトタイプを真の分布に向けて校正し, 高い性能向上を実現するジェネラティブプロトタイプリファインメントを提案する。
NTU-60、NTU-120、PKU-MMDの広範囲にわたる実験により、GenPriorはゼロショットおよび一般化ゼロショット設定の両方で最先端の性能を達成することを示した。
コードはhttps://github.com/jidongkuang/GenPrior.comで入手できる。
関連論文リスト
- Hacking Generative Perplexity: Why Unconditional Text Evaluation Needs Distributional Metrics [49.443264461057645]
拡散および連続フローベースの言語モデルは、言語モデリングに対する非自己回帰的な主要な代替手段として現れている。
両方のパラダイムの進歩は、生成的複雑度(gen-PPL)によって圧倒的に追跡される。
我々は、この指標は正しくないと主張している。構築により、gen-PPLは、文法性やセマンティックコヒーレンスではなく、スコアARの下でのみ予測可能性を測定する。
論文 参考訳（メタデータ） (2026-06-07T02:35:56Z) - CoFi-UCGen: Coarse-to-Fine Unsupervised Conditional Generation without Label Priors [62.68085528259169]
教師なし条件付き画像生成(UCGen)は、手動でアノテートされたラベルに頼ることなく生成を制御することを目的としている。
本研究では,大域的意味論を微粒なバリエーションから明確に切り離す,より粗いUCGenフレームワーク(CoFi-UCGen)を提案する。
我々のCoFi-UCGenは、画像の品質、セマンティック一貫性、制御精度において、既存のUCGenメソッドよりも一貫して優れています。
論文 参考訳（メタデータ） (2026-06-04T03:29:29Z) - Class-Aware Prototype Learning with Negative Contrast for Test-Time Adaptation of Vision-Language Models [48.61795272482598]
VLM(Vision-Language Models)は、大規模な画像テキスト事前学習を通じて、印象的なゼロショットの一般化を実証する。
しかし、デプロイメントディストリビューションがトレーニングディストリビューションから分岐すると、パフォーマンスが低下する可能性がある。
テスト時間適応(TTA)メソッドは、ラベルのないターゲットデータを使用してモデルを更新する。
軽量TTAフレームワークである textbfNegative textbfContrast(textbfCPL-NC) を用いた textbfClass-Aware textbfPrototype textbfL を提案する。
論文 参考訳（メタデータ） (2025-10-22T17:38:35Z) - Towards Efficient General Feature Prediction in Masked Skeleton Modeling [59.46799426434277]
マスクスケルトンモデリングのための新しい汎用特徴予測フレームワーク(GFP)を提案する。
我々の重要な革新は、局所的な動きパターンからグローバルな意味表現にまたがる、従来の低レベルな再構築を高レベルな特徴予測に置き換えることです。
論文 参考訳（メタデータ） (2025-09-03T18:05:02Z) - Probabilistic Prototype Calibration of Vision-Language Models for Generalized Few-shot Semantic Segmentation [75.18058114915327]
一般化されたFew-Shot Semanticnative(GFSS)は、いくつかの注釈付き例だけでセグメンテーションモデルを新しいクラスに拡張することを目的としている。
プリトレーニング済みCLIPのマルチモーダルプロトタイプ上での確率的プロトタイプ校正フレームワークであるFewCLIPを提案する。
FewCLIPはGFSSとクラスインクリメンタルセッティングの両方で最先端のアプローチを著しく上回っている。
論文 参考訳（メタデータ） (2025-06-28T18:36:22Z) - Learning Clustering-based Prototypes for Compositional Zero-shot Learning [56.57299428499455]
ClusProは、コンポジションゼロショット学習のための堅牢なクラスタリングベースのプロトタイプマイニングフレームワークである。
それは、多様化されたプロトタイプの集合を通じて、プリミティブの概念的境界を定義する。
ClusProは、学習可能なパラメータを追加することなく、非パラメトリックな方法でプロトタイプクラスタリングを効率的に実行する。
論文 参考訳（メタデータ） (2025-02-10T14:20:01Z) - Demystifying Catastrophic Forgetting in Two-Stage Incremental Object Detector [42.40881712297689]
破滅的な忘れ物は主にRoIヘッドに局在している。
NSGP-RePREは2種類のプロトタイプのリプレイを通じて忘れを緩和する。
NSGP-RePREはPascal VOCおよびMS COCOデータセット上で最先端のパフォーマンスを達成する。
論文 参考訳（メタデータ） (2025-02-08T12:10:02Z) - Zero-Shot Logit Adjustment [89.68803484284408]
Generalized Zero-Shot Learning (GZSL) は意味記述に基づく学習技術である。
本稿では,分類器の改良を無視しつつ,ジェネレータの効果を高める新しい世代ベース手法を提案する。
実験により,提案手法が基本生成器と組み合わせた場合の最先端化を実現し,様々なゼロショット学習フレームワークを改良できることが実証された。
論文 参考訳（メタデータ） (2022-04-25T17:54:55Z) - Prototype Completion for Few-Shot Learning [13.63424509914303]
少数ショット学習は、いくつかの例で新しいクラスを認識することを目的としている。
事前学習に基づく手法は,特徴抽出器を事前学習し,最寄りのセントロイド型メタラーニングを通して微調整することで,この問題に効果的に対処する。
本稿では,完成度に基づくメタラーニングフレームワークを提案する。
論文 参考訳（メタデータ） (2021-08-11T03:44:00Z)
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。