論文の概要: TF-CADE: Foreground-Concentrated Text-Video Alignment for Zero-Shot Temporal Action Detection

• arxiv url: http://arxiv.org/abs/2608.17422v1
• Date: Tue, 18 Aug 2026 06:43:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-19 21:40:53.233995
• Title: TF-CADE: Foreground-Concentrated Text-Video Alignment for Zero-Shot Temporal Action Detection
• Title（参考訳）: TF-CADE:ゼロショット時効検出のための前景集中型テキストビデオアライメント
• Abstract要約: ゼロショット時間動作検出器(TF-CADE)のためのテキストフォアグラウンド集中アライメントを提案する。 ACAはアクション集中スコアを抽出し、時間的に情報を与えるビデオセグメントを前景重み付きビデオ埋め込みに集約する。 CCR戦略は、レバー老化前景の類似性により、スニペット当たりの信頼度を改善し、推論中の無関係なアクションクラスを効果的に抑制する。
• 参考スコア（独自算出の注目度）: 54.38725298163703
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Zero-Shot Temporal Action Detection (ZSTAD) aims to lo- calize and recognize action instances from unseen action categories in untrimmed videos. Although existing meth- ods have shown effectiveness by advancing architectural text-video alignment, they still struggle with capturing se- mantic distinctions between action classes, resulting in text- irrelevant predictions. To address this issue, we propose a Text-Foreground Concentrated Alignment for zero-shot temporal action DEtector (TF-CADE) that explicitly aligns textual information with action-relevant foreground regions. Specifically, we introduce Action Concentrate Aggregation (ACA), which extracts action concentrate scores to aggregate temporally informative video segments into a foreground- weighted video embedding. This foreground concentrated alignment enhances the semantic consistency between text and video features and improves inter-class discriminabil- ity. In addition, a Certainty-based Confidence Re-weighting (CCR) strategy refines per-snippet confidence scores by lever- aging foreground-aware similarity, effectively suppressing irrelevant action classes during inference. Extensive evalua- tions show that our TF-CADE not only achieves state-of-the- art performance under in-distribution settings but also excels in cross-dataset generalization to unseen action classes.
• Abstract（参考訳）: Zero-Shot Temporal Action Detection (ZSTAD)は、未トリミングビデオの未確認アクションカテゴリからアクションインスタンスをローカライズし、認識することを目的としている。 既存のミート・オードは、アーキテクチャ上のテキスト・ビデオのアライメントを前進させることで有効性を示しているが、アクション・クラス間でのセマンティックな区別に苦慮し、結果としてテキスト非関連な予測がもたらされる。 そこで本稿では,ゼロショット時間的行動検出器(TF-CADE)のためのテキストフォアグラウンド集中アライメントを提案する。 具体的には、アクション集中集約(ACA)を導入し、アクション集中スコアを抽出し、時間的情報的ビデオセグメントを前景重み付きビデオ埋め込みに集約する。 このフォアグラウンド集中アライメントは、テキストとビデオの特徴間のセマンティック一貫性を高め、クラス間の差別性を改善する。 さらに、Certainty-based Confidence Re-weighting (CCR) 戦略は、レバー老化前景の類似性により、スニペット当たりの信頼度スコアを洗練し、推論中の無関係なアクションクラスを効果的に抑制する。 Evalua-tions は,TF-CADE が分散環境下での最先端性能を達成するだけでなく,クロスデータセットの一般化により,未知のアクションクラスに優れることを示す。

関連論文リスト

• Motion-Guided Semantic Alignment with Negative Prompts for Zero-Shot Video Action Recognition [12.523217686212197]
  本稿では,CLIPを不整合埋め込みと意味誘導相互作用で拡張する新しいフレームワークを提案する。 標準ベンチマークの実験では、我々の手法はCLIPベースのアプローチよりも一貫して優れていた。
  論文  参考訳（メタデータ） (2026-04-18T16:34:29Z)
• Classification Matters: Improving Video Action Detection with Class-Specific Attention [61.14469113965433]
  ビデオアクション検出(VAD)は、アクターを検出し、そのアクションをビデオで分類することを目的としている。 一般的な手法が、分類のための特徴をどう形成するかを分析し、アクター領域の優先順位付けを行う。 本稿では,アクターに対する偏見を減らし,各アクションクラスに関連する文脈に注意を払うことを提案する。
  論文  参考訳（メタデータ） (2024-07-29T04:43:58Z)
• FineParser: A Fine-grained Spatio-temporal Action Parser for Human-centric Action Quality Assessment [30.601466217201253]
  既存の行動品質評価(AQA)手法は、様々な行動を評価するために、主にビデオレベルで深い表現を学習する。 ビデオにおけるアクションのきめ細かい理解が欠如しているため、信頼性と解釈性が低く、オリンピックのダイビングイベントのような厳格な応用には不十分である。 我々は、アクションのきめ細かい理解には、時間と空間の両方でアクションを知覚し解析する必要があると論じ、これはAQA手法の信頼性と解釈可能性の鍵でもある。
  論文  参考訳（メタデータ） (2024-05-11T02:57:16Z)
• Boosting Weakly-Supervised Temporal Action Localization with Text Information [94.48602948837664]
  本稿では,アクションクラスラベルに基づくテキスト記述を構築するためのテキストセグメンテーション・マイニング(TSM)機構を提案する。 また,VLC (Video-text Language Completion) という生成目的も導入した。 また,提案手法を既存手法にシームレスに適用し,その性能を明確なマージンで向上させることができる。
  論文  参考訳（メタデータ） (2023-05-01T00:07:09Z)
• Weakly-Supervised Temporal Action Localization with Bidirectional Semantic Consistency Constraint [83.36913240873236]
  WTAL(Weakly Supervised Temporal Action Localization)は、ビデオの時間的境界を分類し、ローカライズすることを目的としている。 本研究では,双方向意味整合性制約 (Bi-SCC) という単純な手法を提案する。 実験結果から,THUMOS14とActivityNetの最先端手法よりも優れた結果が得られた。
  論文  参考訳（メタデータ） (2023-04-25T07:20:33Z)
• Fine-grained Temporal Contrastive Learning for Weakly-supervised Temporal Action Localization [87.47977407022492]
  本稿では,シーケンス・ツー・シーケンスの区別を文脈的に比較することで学習が,弱い教師付き行動の局所化に不可欠な帰納的バイアスをもたらすことを論じる。 微分可能な動的プログラミングの定式化の下では、FSD(Fen-fine Sequence Distance)とLCS(Longest Common Subsequence)の2つの相補的コントラストが設計されている。 提案手法は,2つのベンチマークにおいて最先端の性能を実現する。
  論文  参考訳（メタデータ） (2022-03-31T05:13:50Z)
• End-to-End Semi-Supervised Learning for Video Action Detection [23.042410033982193]
  ラベルのないデータを効果的に活用するシンプルなエンドツーエンドアプローチを提案する。 ビデオアクション検出には、アクションクラス予測と時間的一貫性の両方が必要である。 提案手法が2つの異なる行動検出ベンチマークデータセットに対して有効であることを示す。
  論文  参考訳（メタデータ） (2022-03-08T18:11:25Z)
• Weakly Supervised Temporal Action Localization Through Learning Explicit Subspaces for Action and Context [151.23835595907596]
  ビデオレベルの監視のみの下で、アクションインスタンスの時間的開始と終了をローカライズする方法を学ぶ。 アクションとコンテキストそれぞれについて,2つの機能サブスペースを学習するフレームワークを提案する。 提案手法は3つのベンチマークで最先端のWS-TAL法より優れている。
  論文  参考訳（メタデータ） (2021-03-30T08:26:53Z)

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。