論文の概要: Skeleton-based Zero-Shot Spatio-Temporal Action Localization via Weakly-Supervised Pretraining

• arxiv url: http://arxiv.org/abs/2608.25701v1
• Date: Wed, 26 Aug 2026 12:17:07 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-27 14:15:15.817444
• Title: Skeleton-based Zero-Shot Spatio-Temporal Action Localization via Weakly-Supervised Pretraining
• Title（参考訳）: 弱スーパービジョンプレトレーニングによる骨格型ゼロショット時空間行動定位
• Abstract要約: 本研究では,ゼロショット制御型骨格型アクションローカライゼーションのための事前学習戦略を提案する。 また,複合シーン内のインスタンスレベルでの動作を識別するために,Scene-Mixed Discriminative Contrastive Learningを提案する。
• 参考スコア（独自算出の注目度）: 11.621071097578808
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We propose a novel pretraining strategy for skeleton-based zero-shot spatio-temporal action localization to estimate unseen actions for person instances while overcoming high annotation costs for training via new target actions and pretraining using large-scale action scenery datasets. Specifically, our approach, termed Skeleton-Language feature Pooling Switching, introduces a weakly-supervised vision-language pretraining mechanism. This mechanism transitions pooling kernels from pretraining, which aggregates skeleton features at the video level and aligns them with each video's known action text embeddings, to the inference phase that computes instance-level features without training via target actions. Furthermore, we propose Scene-Mixed Discriminative Contrastive Learning to distinguish actions at the instance level within the combined scene through the MIL framework. Our experiments on four public spatio-temporal action localization and classification datasets demonstrate that the proposed method effectively addresses annotation limitations.
• Abstract（参考訳）: 本研究では,骨格をベースとしたゼロショット時空間的行動ローカライゼーションのための新たな事前訓練戦略を提案する。 具体的には、Skeleton-Language機能、Pooling Switchingと呼ばれるアプローチで、弱教師付き視覚言語事前学習機構を導入する。 このメカニズムは、カーネルをプレトレーニング(pretraining)から、ビデオレベルでスケルトン機能を集約し、各ビデオの既知のアクションテキスト埋め込みと整列するプリトレーニング(pretraining)から、ターゲットアクションを経由せずにインスタンスレベルの機能を計算する推論フェーズへ移行する。 さらに,MILフレームワークを用いて,複合シーン内のインスタンスレベルでの動作を識別するために,Scene-Mixed Discriminative Contrastive Learningを提案する。 4つの公開時空間的行動局所化と分類データセットに関する実験により,提案手法がアノテーションの制限に効果的に対処できることが実証された。

関連論文リスト

• TF-CADE: Foreground-Concentrated Text-Video Alignment for Zero-Shot Temporal Action Detection [54.38725298163703]
  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。
  論文  参考訳（メタデータ） (2026-08-18T06:43:45Z)
• Skeleton-Snippet Contrastive Learning with Multiscale Feature Fusion for Action Localization [8.574131591092138]
  我々は,自己教師付き事前学習のためのスニペット識別用プレテキストタスクを開発した。 また、U字型モジュールで中間特徴を融合させることにより、骨格に基づく行動認識モデルの強力なバックボーンを構築した。 BABEL上でのアクションローカライゼーションにおいて,既存の骨格に基づくコントラスト学習手法を一貫して改良する。
  論文  参考訳（メタデータ） (2025-12-18T13:15:52Z)
• Informative Sample Selection Model for Skeleton-based Action Recognition with Limited Training Samples [51.59753385094941]
  半教師付き3D行動認識としても知られる訓練サンプルを用いた3D行動認識が提案されている。 我々は、マルコフ決定過程(MDP)としてキャストすることで、新しい視点からアクティブな学習を通して、半教師付き3次元行動認識を再構築する。 状態-作用対における因子の表現能力を高めるために、ユークリッド空間から双曲空間に投影する。
  論文  参考訳（メタデータ） (2025-10-29T10:03:33Z)
• Skeleton2vec: A Self-supervised Learning Framework with Contextualized Target Representations for Skeleton Sequence [56.092059713922744]
  予測対象として高レベルな文脈化機能を使用することで,優れた性能が得られることを示す。 具体的には、シンプルで効率的な3D行動表現学習フレームワークであるSkeleton2vecを提案する。 提案するSkeleton2vecは,従来の手法より優れ,最先端の結果が得られる。
  論文  参考訳（メタデータ） (2024-01-01T12:08:35Z)
• Multi-modal Prompting for Low-Shot Temporal Action Localization [95.19505874963751]
  低ショット(ゼロショット・少数ショット)シナリオ下での時間的行動局所化の問題点を考察する。 クラスに依存しない2段階のアクションローカライズアーキテクチャをTransformerに導入し,その後にオープン語彙分類を行った。
  論文  参考訳（メタデータ） (2023-03-21T10:40:13Z)
• Action Shuffling for Weakly Supervised Temporal Localization [22.43209053892713]
  本稿では,行動の秩序感応性と位置感応性を解析する。 それらを自己拡張学習フレームワークに具体化し、弱教師付きアクションローカライゼーション性能を改善する。
  論文  参考訳（メタデータ） (2021-05-10T09:05:58Z)
• 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)
• Point-Level Temporal Action Localization: Bridging Fully-supervised Proposals to Weakly-supervised Losses [84.2964408497058]
  point-level temporal action localization (ptal) は、各アクションインスタンスに対して1つのタイムスタンプアノテーションで、未トリミングビデオ内のアクションをローカライズすることを目的としている。 既存の手法ではフレームレベルの予測パラダイムを採用し、スパース単一フレームラベルから学習する。 本稿では,ポイントレベルアノテーションの提案に基づく予測パラダイムを検討する。
  論文  参考訳（メタデータ） (2020-12-15T12:11:48Z)

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。