論文の概要: Test-Time Adaptation with Online Personalized Energy-Based Cache for Fine-Grained Video Expression Recognition

• arxiv url: http://arxiv.org/abs/2608.06467v1
• Date: Thu, 06 Aug 2026 18:02:20 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-10 16:21:25.257101
• Title: Test-Time Adaptation with Online Personalized Energy-Based Cache for Fine-Grained Video Expression Recognition
• Title（参考訳）: オンラインパーソナライズされたエネルギーベースキャッシュを用いた微粒化映像認識のためのテスト時間適応
• Abstract要約: ビデオにおける表情認識(FER)は、個人によって異なる微妙で時間的に変化する感情状態を特定する必要があるため、困難である。 既存のテスト時間適応(TTA)メソッドは、推論中にモデルパラメータを更新し、計算コストとレイテンシを増大させる。 本稿では,EB-CaP(Energy-Based Cache Personalization, EB-CaP)を紹介する。
• 参考スコア（独自算出の注目度）: 59.83490704563065
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Facial expression recognition (FER) in videos is challenging because models must identify subtle, temporally evolving affective states that vary across individuals. Although vision-language models provide transferable visual-semantic representations, models trained on subject-independent data often degrade under subject-specific distribution shifts at inference time. Existing test-time adaptation (TTA) methods commonly update model parameters during inference, increasing computational cost and latency. Cache-based methods avoid parameter updates, but they usually require enough target samples to form reliable class prototypes, which is difficult early in adaptation and for rarely observed classes. We introduce Energy-Based Cache Personalization (EB-CaP), a subject-based online TTA method for video FER that generates class-specific prototypes personalized to each target video. EB-CaP uses a lightweight energy-based model to sample prototypes from the current unlabeled video and populate a personalized cache online, without accumulating large amounts of target data or storing diverse source prototypes. Its energy function relies only on pretrained CLIP: similarities between the target video embedding and class text embeddings guide prototype sampling. In parallel, positive and negative caches store reliable and uncertain target embeddings. An adaptive entropy gate controls cache updates according to the evolving confidence distribution, while a diversity gate limits redundant samples. Final predictions combine cache-derived scores with the current CLIP scores. Experiments on BioVid, StressID, and BAH show that EB-CaP outperforms state-of-the-art TTA methods while maintaining low computational and memory overhead. Code is available at https://github.com/MasoumehSharafi/EB-CaP.
• Abstract（参考訳）: ビデオにおける表情認識(FER)は、個人によって異なる微妙で時間的に変化する感情状態を特定する必要があるため、困難である。 視覚言語モデルは、伝達可能な視覚意味表現を提供するが、被写体非依存のデータに基づいて訓練されたモデルは、推論時に被写体固有の分布シフトの下で劣化することが多い。 既存のテスト時間適応(TTA)メソッドは、推論中にモデルパラメータを更新し、計算コストとレイテンシを増大させる。 キャッシュベースのメソッドはパラメータの更新を避けるが、通常は信頼できるクラスのプロトタイプを作るのに十分なターゲットサンプルを必要とする。 本稿では,EB-CaP(Energy-Based Cache Personalization, EB-CaP)を紹介する。 EB-CaPは軽量なエネルギーベースのモデルを使用して、現在のラベル付けされていないビデオからプロトタイプをサンプリングし、大量のターゲットデータを蓄積したり、さまざまなソースプロトタイプを格納することなく、パーソナライズされたキャッシュをオンラインでポップアップさせる。 エネルギー関数はトレーニング済みのCLIPのみに依存しており、ターゲットの動画埋め込みとクラステキスト埋め込みの類似性はプロトタイプのサンプリングである。 並行して、正のキャッシュと負のキャッシュは信頼性と不確実なターゲット埋め込みを格納する。 適応エントロピーゲートは、進化する信頼性分布に応じてキャッシュ更新を制御し、ダイバーシティゲートは冗長サンプルを制限する。 最終的な予測は、キャッシュ由来のスコアと現在のCLIPスコアを組み合わせる。 BioVid、ScressID、BAHの実験では、EB-CaPは計算とメモリのオーバーヘッドを低く保ちながら最先端のTTA法より優れていた。 コードはhttps://github.com/MasoumehSharafi/EB-CaP.comで入手できる。

関連論文リスト

• Prototype-Based Test-Time Adaptation of Vision-Language Models [58.28899599773308]
  PTA(Prototype-based Test-Time Adaptation) PTAは一連のクラス固有の知識プロトタイプを使用して、テストサンプルから知識を蓄積する。 PTAは最先端の性能を達成しつつ、極めて高い効率を達成する。
  論文  参考訳（メタデータ） (2026-04-23T07:20:56Z)
• Test-Time Adaptation via Cache Personalization for Facial Expression Recognition in Videos [59.83490704563065]
  本稿では,キャッシュベースのTTA方式であるキャッシュパーソナライゼーション(TTA-CaP)を提案する。 実験により,TTA-CaPは,対象種別および環境変化下で,最先端のTTA法より優れることが示された。
  論文  参考訳（メタデータ） (2026-03-22T16:31:25Z)
• Bayesian Test-time Adaptation for Object Recognition and Detection with Vision-language Models [86.53246292425699]
  我々は、オブジェクト認識と検出の両方のためのTTAのためのトレーニングフリーフレームワークであるBCA+を提案する。 我々はベイズ推論問題として適応を定式化し、キャッシュベースの予測で初期VLM出力を融合することで最終的な予測を生成する。 BCA+は、認識と検出のベンチマークの両方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） (2025-10-03T06:27:33Z)
• Multi-Cache Enhanced Prototype Learning for Test-Time Generalization of Vision-Language Models [7.542207462593201]
  ゼロショット設定では、テスト時間適応はテストフェーズからのラベルなしデータを用いて事前訓練されたモデルを調整し、未知のテスト分布の性能を向上させる。 本研究は,キャッシュ強化性能とクラス内コンパクト性との正の相関性を明らかにする。 3つのキャッシュを備えたマルチキャッシュ拡張プロトタイプベーステスト時間適応(MCP)を提案する。
  論文  参考訳（メタデータ） (2025-08-02T06:43:43Z)
• DOTA: Distributional Test-Time Adaptation of Vision-Language Models [69.41389326333771]
  トレーニングデータとテストデータの間に大きな分散ギャップが存在する場合、視覚言語の基礎モデルは信頼できない。 本稿では,DOTA(DistributiOnal Test-time Adaptation)を提案する。 この分散中心のアプローチは、モデルが継続的に学習し、デプロイメント環境に適応することを可能にする。
  論文  参考訳（メタデータ） (2024-09-28T15:03:28Z)
• Test-Time Model Adaptation with Only Forward Passes [68.11784295706995]
  テストタイム適応は、トレーニング済みのモデルを、潜在的に分布シフトのある未確認テストサンプルに適応させるのに有効であることが証明されている。 テスト時間フォワード最適化適応法(FOA)を提案する。 FOAは量子化された8ビットのViTで動作し、32ビットのViTで勾配ベースのTENTより優れ、ImageNet-Cで最大24倍のメモリ削減を実現する。
  論文  参考訳（メタデータ） (2024-04-02T05:34:33Z)

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。