論文の概要: What Do Interaction Representations Actually Measure? Pre-Event Separability in Weakly-Supervised Violence Detection

• arxiv url: http://arxiv.org/abs/2608.27879v1
• Date: Fri, 28 Aug 2026 03:39:41 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-08-31 17:16:04.194109
• Title: What Do Interaction Representations Actually Measure? Pre-Event Separability in Weakly-Supervised Violence Detection
• Title（参考訳）: インタラクション表現は実際に何を測定するか? 弱スーパービジョンによるバイオレンス検出における事前事象分離性
• Abstract要約: 人工的な人間のポーズは、粗い空間的関係を超えた詳細な身体構成情報を提供する。 粗いバウンディングボックス形状にまたがる5つの相互作用表現、マッチした手作りポーズアナログ、リッチなポーズ記述子、マッチした容量エンコーダを比較した。 ポーズに基づく表現は粗い幾何学よりも優れることはないが、15の異常なビデオでは、この部分集合は小さな効果を排除できない。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Articulated human pose provides detailed body-configuration information beyond coarse spatial relationships, but whether this detail yields greater discriminative information when the downstream pipeline is held fixed remains unclear. We examine this through early violence detection. Holding the tracker, temporal head, supervision, folds, and evaluation fixed, we compare five interaction representations spanning coarse bounding-box geometry, a matched handcrafted pose analogue, enriched pose descriptors, and a matched-capacity encoder learned from raw joints, under video-level evaluation with cluster-bootstrap intervals. No pose-based representation outperforms coarse geometry, though with fifteen anomalous videos this subset cannot rule out small effects. Extending the pipeline to frozen visual encoders, and repeating the comparison on XD-Violence (137 anomalous videos, nine times our UCF-Crime sample), person-crop appearance and whole-frame context both exceed geometry by a wide margin, yet context matches appearance on UCF-Crime and exceeds it on the larger split: cropping to the interacting people yields no advantage over encoding the whole frame. This prompts a direct test of what the benchmark measures. Scoring anomalous videos using only frames preceding the annotated onset, under a control removing sequence length as a cue, retains 39-91% of above-chance separation on both benchmarks, including for seven hand-designed geometric channels. Inspection of the tightest pre-onset windows identifies concrete provenance artifacts: editorial title cards and platform watermarks absent from the surveillance footage supplying the normal class. Video-level AUC here is thus a composite of event evidence and pre-event source cues, a shared source of discrimination that can obscure differences between representations. The diagnostic requires only annotations these benchmarks already ship.
• Abstract（参考訳）: 人工的な人間のポーズは、粗い空間的関係を超えた詳細な体構成情報を提供するが、下流パイプラインが固定された場合、この詳細がより大きな識別情報をもたらすかどうかは不明である。 我々は早期の暴力検出を通じてこれを検証する。 トラッカー, 時間的頭部, 監督, 折り目, 評価を固定し, 粗いバウンディングボックス形状, マッチした手作りポーズアナログ, リッチなポーズ記述子, マッチした容量エンコーダの5つの相互作用表現を, クラスタブートストラップ間隔によるビデオレベルの評価で比較した。 ポーズに基づく表現は粗い幾何学よりも優れることはないが、15の異常なビデオでは、この部分集合は小さな効果を排除できない。 パイプラインを凍結したビジュアルエンコーダに拡張し、XD-Violence(ビデオ137本、UCF-Crimeサンプルの9倍)、人-クロップの外観とフレーム全体のコンテキストの比較を繰り返すと、どちらも幾何学をはるかに上回るが、UCF-Crimeではコンテキストが一致し、より大きなスプリットでそれを上回る。 これにより、ベンチマークが何を計測するかを直接テストする。 注記オンセットに先行するフレームのみを用いて、制御除去シーケンス長をキューとして、両方のベンチマークで39-91%のオーバーチャンス分離を保持し、手書きの幾何学的チャンネルが7つある。 最も厳密なプリオンセットウィンドウの検査は、通常のクラスを提供する監視映像から欠落している編集タイトルカードやプラットフォーム透かしなど、具体的な成果物を識別する。 ここでのビデオレベルAUCは、イベントエビデンスとプレイベントソースキューの合成であり、表現間の差異を曖昧にすることができる差別の共有ソースである。 診断にはこれらのベンチマークがすでに出荷されているアノテーションのみが必要である。

関連論文リスト

• Auditing Frame-Level AUC in Weakly Supervised Video Anomaly Detection: Granularity, Resolution, and Scene Bias [5.775466814803881]
  ROC曲線(AUC)下のフレームレベル領域は、弱教師付きビデオ異常検出(WSVAD)の主流評価指標である ソースに関わらず、テストビデオ間でフレームペアを集約するため、この比較をプールAUCと呼ぶ。 異なるバックボーンファミリーにまたがる最近の最先端モデルに対して、UCF-Crime上でこのプロトコルを監査する。
  論文  参考訳（メタデータ） (2026-08-12T12:22:02Z)
• A Dynamic-Semantics Framework for Grounding Human Referring Expressions in Visual Perceptual Data [0.0]
  本稿では,パクト状態を3つの明示的で検査可能な参照オブジェクトバインディングに外部化するフレームワークを提案する。 スタンフォード・リピート・レファレンス・ゲーム・コーパス(Stanford Repeated Reference Game corpus)のフレームワークについて検討した。
  論文  参考訳（メタデータ） (2026-08-09T12:14:10Z)
• Evidence-Backed Video Question Answering [90.93225758130426]
  既存の説明可能性の取り組みは、テキストの合理性やまばらなバウンディングボックスに依存している。 E-VQA(Evidence-Backed Video Question Answering)を提案する。 これをサポートするために,識別的および生成的画素レベルのグラウンド化のための最初の人為的検証ベンチマークST-Evidenceを導入する。
  論文  参考訳（メタデータ） (2026-07-13T17:49:10Z)
• CAM-VFD: Cross-Attention Multimodal Video Forgery Detection [0.04666493857924356]
  本稿では,CAM-VFDを提案する。 このフレームワークは、CLIPベースの外観表現がビデオMAEモーション機能に対するクエリとして機能する、クロスアテンション融合機構を使用している。 2つの世代別ビデオベンチマークの結果、GenVidBenchの95.31%の精度、93.43%の精度、90.63%のF1スコア、96.56%のAUROCが一貫したパフォーマンスを示している。
  論文  参考訳（メタデータ） (2026-05-16T19:46:33Z)
• Delving into CLIP latent space for Video Anomaly Recognition [24.37974279994544]
  本稿では,CLIP などの大規模言語と視覚(LLV)モデルを組み合わせた新しい手法 AnomalyCLIP を提案する。 当社のアプローチでは、通常のイベントサブスペースを特定するために、潜伏するCLIP機能空間を操作することが特に必要です。 異常フレームがこれらの方向に投影されると、それらが特定のクラスに属している場合、大きな特徴量を示す。
  論文  参考訳（メタデータ） (2023-10-04T14:01:55Z)
• Towards Debiasing Frame Length Bias in Text-Video Retrieval via Causal Intervention [72.12974259966592]
  トリミングビデオクリップのトレーニングセットとテストセットのフレーム長差による時間偏差について,一意かつ体系的に検討した。 Epic-Kitchens-100, YouCook2, MSR-VTTデータセットについて, 因果脱バイアス法を提案し, 広範な実験およびアブレーション研究を行った。
  論文  参考訳（メタデータ） (2023-09-17T15:58:27Z)
• Towards Video Anomaly Retrieval from Video Anomaly Detection: New Benchmarks and Model [70.97446870672069]
  ビデオ異常検出(VAD)はその潜在的な応用により注目されている。 Video Anomaly Retrieval (VAR)は、関連のある動画をモダリティによって実用的に検索することを目的としている。 一般的な異常データセットの上に構築されたUCFCrime-ARとXD-Violenceの2つのベンチマークを示す。
  論文  参考訳（メタデータ） (2023-07-24T06:22:37Z)
• Correspondence Matters for Video Referring Expression Comprehension [64.60046797561455]
  ビデオ参照表現(REC)は、文章に記述された参照オブジェクトをビデオフレーム内の視覚領域に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,1)ビデオフレーム間の非一貫性な局所化結果,2)参照オブジェクトとコンテキストオブジェクトの混同という2つの問題に悩まされている。 本稿では、フレーム間およびクロスモーダルの両方で密接な関連性を明確に強化する新しいデュアル対応ネットワーク(DCNet)を提案する。
  論文  参考訳（メタデータ） (2022-07-21T10:31:39Z)
• Robust Unsupervised Video Anomaly Detection by Multi-Path Frame Prediction [61.17654438176999]
  本稿では,フレーム予測と適切な設計による新規で頑健な非教師付きビデオ異常検出手法を提案する。 提案手法は,CUHK Avenueデータセット上で88.3%のフレームレベルAUROCスコアを得る。
  論文  参考訳（メタデータ） (2020-11-05T11:34:12Z)
• A Background-Agnostic Framework with Adversarial Training for Abnormal Event Detection in Video [120.18562044084678]
  近年,ビデオにおける異常事象検出は複雑なコンピュータビジョンの問題として注目されている。 通常のイベントのみを含むトレーニングビデオから学習するバックグラウンドに依存しないフレームワークを提案する。
  論文  参考訳（メタデータ） (2020-08-27T18:39:24Z)
• A Self-Reasoning Framework for Anomaly Detection Using Video-Level Labels [17.615297975503648]
  監視ビデオにおける異常事象の検出は、画像およびビデオ処理コミュニティの間で困難かつ実践的な研究課題である。 本稿では、ビデオレベルラベルのみを用いて自己推論方式で訓練されたディープニューラルネットワークに基づく、弱い教師付き異常検出フレームワークを提案する。 提案するフレームワークは,UCF-crimeやShanghaiTech,Ped2など,公開されている実世界の異常検出データセット上で評価されている。
  論文  参考訳（メタデータ） (2020-08-27T02:14:15Z)

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。