論文の概要: Few-Shot Video Recognition via Hierarchical Metric Learning

• arxiv url: http://arxiv.org/abs/2609.05242v1
• Date: Fri, 04 Sep 2026 15:07:44 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-07 18:15:24.095673
• Title: Few-Shot Video Recognition via Hierarchical Metric Learning
• Title（参考訳）: 階層的メトリック学習による映像認識
• Abstract要約: Few-shot Action Recognition (FSAR) は、少数のアノテーション付きビデオサンプルだけで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。 少数ショット動作認識(HML-FSAR)のための新しい手法、階層的距離学習法を提案する。 提案したHML-FSAR法は,広く使用されている5つのFSARデータセットに対して検証され,その有効性を示す実験結果が得られた。
• 参考スコア（独自算出の注目度）: 13.999334351029196
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Few-shot action recognition (FSAR) aims to recognize unseen action categories with only a small number of annotated video samples. Recent works typically apply single-prototype supervision at the network output and fail to sufficiently exploit rich cross-frame global spatial information in videos. Even existing multi-level metric schemes only impose parallel prototype constraints on intermediate layers, without progressive supervision along the full feature pipeline, which results in limited generalization ability of the learned class prototypes. Inspired by this, we present a novel method, hierarchical metric learning for few-shot action recognition (HML-FSAR). First, a spatial-enhanced module is developed to capture cross-frame global spatial representations. Combined with temporal MHA, heterogeneous alignment, spatial-temporal feature fusion and dictionary learning modules, it constructs the complete feature processing pipeline. Second, a hierarchical metric learning (HML) strategy is embedded into HML-FSAR. Composed of center metric, alignment metric, contrastive metric, dictionary metric and prototype metric, HML imposes progressive multi-stage complementary constraints from frame-level representations to final class prototypes, so as to jointly optimize feature compactness, heterogeneous spatial-temporal alignment, inter-class discriminability and anti-noise robustness. The proposed HML-FSAR method is validated on five widely-used FSAR datasets, and experimental results fully demonstrate its effectiveness.
• Abstract（参考訳）: Few-shot Action Recognition (FSAR) は、少数のアノテーション付きビデオサンプルだけで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。 最近の研究は通常、ネットワーク出力に対して単一プロトタイプの監視を適用し、ビデオ内のリッチなクロスフレームグローバル空間情報を十分に活用することができない。 既存のマルチレベル計量スキームでさえ、中間層に並列プロトタイプの制約を課すだけであり、完全な機能パイプラインに沿ってプログレッシブな監督を行わず、学習されたクラスプロトタイプの限定的な一般化能力をもたらす。 そこで本研究では,少数ショット動作認識(HML-FSAR)のための新しい手法である階層的距離学習を提案する。 まず、クロスフレームなグローバル空間表現をキャプチャする空間拡張モジュールを開発した。 時間的MHA、異種アライメント、空間的時間的特徴融合、辞書学習モジュールを組み合わせることで、完全な特徴処理パイプラインを構築する。 次に、階層的計量学習(HML)戦略をHML-FSARに組み込む。 中心計量、アライメント計量、コントラッシブ計量、辞書計量、プロトタイプ計量からなるHMLは、フレームレベル表現から最終クラスプロトタイプへのプログレッシブな多段階補完的制約を課し、特徴のコンパクト性、異種空間的アライメント、クラス間識別性、アンチノイズロバスト性を共同で最適化する。 提案したHML-FSAR法は,広く使用されている5つのFSARデータセットに対して検証され,その有効性を示す実験結果が得られた。

関連論文リスト

• PCA-Seg: Revisiting Cost Aggregation for Open-Vocabulary Semantic and Part Segmentation [58.1914505657064]
  本稿では,クラスレベルのセマンティクスと空間コンテキスト間の知識干渉の課題を軽減するために,単純な並列コストアグリゲーション(PCA-Seg)パラダイムを提案する。 8つのベンチマークの実験では、PCA-Segの各並列ブロックは0.35万のパラメータしか追加せず、最先端のOSPS性能を実現している。
  論文  参考訳（メタデータ） (2026-03-18T09:26:43Z)
• ES-Merging: Biological MLLM Merging via Embedding Space Signals [52.84455878597969]
  埋め込み空間信号からマージ係数を推定する表現対応マージフレームワークを提案する。 提案手法は既存のマージ手法よりも優れており,タスク固有の微調整モデルを超えている。
  論文  参考訳（メタデータ） (2026-03-15T14:38:32Z)
• Libra-MIL: Multimodal Prototypes Stereoscopic Infused with Task-specific Language Priors for Few-shot Whole Slide Image Classification [18.928408687991368]
  大規模言語モデル(LLM)は、計算病理学において有望な方向性として現れつつある。 既存の視覚言語によるMIL(Multi-Instance Learning)手法では、一方向指導を用いることが多い。 本稿では,双方向インタラクションを促進するマルチモーダルプロトタイプベースのマルチインスタンス学習を提案する。
  論文  参考訳（メタデータ） (2025-11-11T07:46:38Z)
• Leveraging Shared Prototypes for a Multimodal Pulse Motion Foundation Model [4.895784700544358]
  ProtoMMは、共通の埋め込み空間に不均一なモダリティを固定するために、共有プロトタイプ辞書を導入する新しいフレームワークである。 明示的なネガティブサンプリングではなく,共有プロトタイプを囲む表現をクラスタリングすることで,モダリティ間の相補的な情報を捕捉し,生理的信号に対するコヒーレントな"共通言語"を提供する。
  論文  参考訳（メタデータ） (2025-10-10T18:13:38Z)
• Hierarchical Self-Supervised Representation Learning for Depression Detection from Speech [51.14752758616364]
  音声による抑うつ検出 (SDD) は、従来の臨床評価に代わる有望で非侵襲的な代替手段である。 HAREN-CTCは,マルチタスク学習フレームワーク内でのクロスアテンションを用いて,多層SSL機能を統合した新しいアーキテクチャである。 このモデルはDAIC-WOZで0.81、MODMAで0.82の最先端マクロF1スコアを達成し、両方の評価シナリオで先行手法より優れている。
  論文  参考訳（メタデータ） (2025-10-05T09:32:12Z)
• Self-Organizing Visual Prototypes for Non-Parametric Representation Learning [6.096888891865663]
  本稿では、教師なし視覚特徴学習のための新しい訓練手法である自己組織化視覚プロトタイプ(SOP)を提案する。 この戦略では、プロトタイプは多くの意味論的に類似した表現で表現され、それぞれが補完的な機能のセットを含む組込み(SE)をサポートする。 我々は,SOP戦略を用いて学習した表現を,検索,線形評価,微調整,オブジェクト検出など,様々なベンチマークで評価する。
  論文  参考訳（メタデータ） (2025-05-23T20:12:07Z)
• Semantic-Aligned Learning with Collaborative Refinement for Unsupervised VI-ReID [82.12123628480371]
  教師なしの人物再識別(USL-VI-ReID)は、モデル学習のための人間のアノテーションを使わずに、同じ人物の歩行者像を異なるモードでマッチングすることを目指している。 従来の手法では、ラベルアソシエーションアルゴリズムを用いて異質な画像の擬似ラベルを統一し、グローバルな特徴学習のためのコントラスト学習フレームワークを設計していた。 本稿では,各モダリティによって強調される特定のきめ細かいパターンを対象とするSALCR(Semantic-Aligned Learning with Collaborative Refinement)フレームワークを提案する。
  論文  参考訳（メタデータ） (2025-04-27T13:58:12Z)
• SGC-Net: Stratified Granular Comparison Network for Open-Vocabulary HOI Detection [16.89965584177711]
  近年のオープン・ボキャブラリ・ヒューマン・オブジェクト・インタラクション(OV-HOI)検出手法は,補助的な記述を生成するために大規模言語モデル(LLM)に依存し,CLIPから抽出した知識を活用して未知の相互作用カテゴリを検出する。 1) テキストアライメントのための最終層視覚的特徴に依存し、中間層から重要なオブジェクトレベルの詳細を無視すること、(2) CLIPの特定のクラスに対する固有のバイアスに起因する意味的類似性混同、そしてラベルのみに基づくLCM生成記述は、クラス間の類似性を適切に捉えることができないこと、である。
  論文  参考訳（メタデータ） (2025-03-01T09:26:05Z)
• Beyond Prototypes: Semantic Anchor Regularization for Better Representation Learning [82.29761875805369]
  表現学習の最終的な目標の1つは、クラス内のコンパクトさとクラス間の十分な分離性を達成することである。 本稿では,機能セントロイドとして機能する事前定義されたクラスアンカーを用いて,特徴学習を一方向ガイドする新しい視点を提案する。 提案したSemantic Anchor Regularization (SAR) は,既存モデルのプラグアンドプレイ方式で使用することができる。
  論文  参考訳（メタデータ） (2023-12-19T05:52:38Z)
• GSMFlow: Generation Shifts Mitigating Flow for Generalized Zero-Shot Learning [55.79997930181418]
  Generalized Zero-Shot Learningは、目に見えないクラスから見えないクラスに意味的な知識を移すことで、目に見えないクラスと見えないクラスの両方から画像を認識することを目的としている。 生成モデルの利点を生かして、見学したクラスから学んだ知識に基づいて、現実的な見知らぬサンプルを幻覚させることは、有望な解決策である。 本研究では,複数の条件付きアフィン結合層からなるフローベース生成フレームワークを提案する。
  論文  参考訳（メタデータ） (2022-07-05T04:04:37Z)

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。