論文の概要: PSEE: Progressive Sensor Event Expansion for Point-Supervised Temporal Action Localization

• arxiv url: http://arxiv.org/abs/2609.21462v1
• Date: Fri, 18 Sep 2026 08:11:51 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-21 18:40:16.929279
• Title: PSEE: Progressive Sensor Event Expansion for Point-Supervised Temporal Action Localization
• Title（参考訳）: PSEE: ポイントスーパービジョンされた時間的行動局所化のためのプログレッシブセンサイベント拡張
• Abstract要約: ウェアラブルセンサストリームにおける時間的アクションローカライゼーション(TAL)は、アクションクラスと時間的境界を識別する。 本稿では,意味的アクティベーション,センサ固有の遷移エビデンス,適応的時間的オーナシップを組み合わせたPSEE(Progressive Sensor Event Expansion)を提案する。
• 参考スコア（独自算出の注目度）: 9.84857543540919
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Temporal action localization (TAL) in wearable sensor streams identifies action classes and temporal boundaries, enabling finer-grained activity understanding than conventional action recognition. However, training typically requires costly start--end annotations for every action instance. To reduce this burden, we study point-supervised TAL, where each instance is labeled with only one timestamp and its class. We propose Progressive Sensor Event Expansion (PSEE), which combines semantic activations, sensor-specific transition evidence, and adaptive temporal ownership to recover point-supervised pseudo segments. These segments supervise standard TAL detectors without modifying their inference procedures. Cross-subject experiments on four inertial-sensing benchmarks demonstrate improved pseudo-boundary quality over adapted point-supervised baselines, compatibility with different TAL detectors, and robustness to point sampling. Code is available at https://github.com/joeeeeyin/PSEE.
• Abstract（参考訳）: ウェアラブルセンサストリームにおける時間的アクションローカライゼーション(TAL)は、アクションクラスと時間的境界を識別し、従来のアクション認識よりもきめ細かいアクティビティ理解を可能にする。 しかし、トレーニングは通常、すべてのアクションインスタンスに対してコストのかかるスタート-エンドアノテーションを必要とします。 この負担を軽減するために,各インスタンスに1つのタイムスタンプとそのクラスをラベル付けした点教師付きTALについて検討した。 本稿では,意味的アクティベーション,センサ固有の遷移エビデンス,適応的時間的オーナシップを組み合わせたPSEE(Progressive Sensor Event Expansion)を提案する。 これらのセグメントは、推論手順を変更することなく標準の金属検出器を監督する。 4つの慣性センシングベンチマークのクロスオブジェクト実験は、適応された点教師付きベースラインよりも優れた擬似境界品質、異なる金属検出器との互換性、点サンプリングに対する堅牢性を示す。 コードはhttps://github.com/joeeeeyin/PSEE.comで入手できる。

関連論文リスト

• Few Shot Semi-Supervised Learning for Abnormal Stop Detection from Sparse GPS Trajectories [9.895353254067894]
  都市間交通における異常な停止検知は、乗客の安全、運転の信頼性、規制の遵守を保証するために重要である。 既存の方法は、しばしば密度の高いサンプリングや規則的な動きパターンを仮定し、適用性を制限する。 本研究では,局所空間時間密度に基づいてセグメント境界を適応的に定義するスパーシティ・アウェア (SAS) 手法を提案する。
  論文  参考訳（メタデータ） (2025-10-14T16:22:34Z)
• Action-Agnostic Point-Level Supervision for Temporal Action Detection [55.86569092972912]
  そこで本研究では,光注釈付きデータセットを用いた時間的行動検出のためのアクション非依存のポイントレベル監視を提案する。 提案手法では,ビデオフレームのごく一部を教師なしの方法でサンプリングし,人間のアノテータに提示し,そのフレームにアクションカテゴリをラベル付けする。 トリミングされていないビデオですべてのアクションインスタンスを検索するアノテータを必要とするポイントレベルの監視とは異なり、アノテートするフレームは人間の介入なしに選択される。
  論文  参考訳（メタデータ） (2024-12-30T18:59:55Z)
• STMixer: A One-Stage Sparse Action Detector [43.62159663367588]
  よりフレキシブルな1段アクション検出器のための2つのコア設計を提案する。 まず、クエリベースの適応的特徴サンプリングモジュールを分離し、ビデオ時間領域全体から特徴群をマイニングする柔軟性を備えた検出器を実現する。 第2に,より優れた特徴復号化のために,空間次元と時間次元の混合に動的に参画する分離された特徴混合モジュールを考案する。
  論文  参考訳（メタデータ） (2024-04-15T14:52:02Z)
• Sub-action Prototype Learning for Point-level Weakly-supervised Temporal Action Localization [11.777205793663647]
  PWTAL(Point-level weak-supervised temporal action Localization)は、アクションインスタンスごとに単一のタイムスタンプアノテーションで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、ラベルの空間性を緩和するために密度の高い擬似ラベルをマイニングする傾向があるが、潜在的サブアクションの時間構造を見落とし、性能が劣る。 サブアクションプロトタイプクラスタリング(SPC)と順序付きプロトタイプアライメント(OPA)を組み合わせた新しいサブアクションプロトタイプ学習フレームワーク(SPL-Loc)を提案する。
  論文  参考訳（メタデータ） (2023-09-16T17:57:40Z)
• Action Sensitivity Learning for Temporal Action Localization [35.65086250175736]
  本稿では,時間的行動ローカライゼーションの課題に取り組むために,行動感性学習フレームワーク(ASL)を提案する。 まず、クラスレベルでのアクション感度とインスタンスレベルでのアクション感度を学習するための軽量なアクション感度評価器を導入する。 各フレームの動作感度に基づいて、アクション認識フレームを正のペアとしてサンプリングし、アクション非関連フレームを除去する機能を強化するために、アクション感性コントラスト損失を設計する。
  論文  参考訳（メタデータ） (2023-05-25T04:19:14Z)
• SegTAD: Precise Temporal Action Detection via Semantic Segmentation [65.01826091117746]
  意味的セグメンテーションの新しい視点で時間的行動検出のタスクを定式化する。 TADの1次元特性により、粗粒度検出アノテーションを細粒度セマンティックセマンティックアノテーションに無償で変換できる。 1Dセマンティックセグメンテーションネットワーク(1D-SSN)と提案検出ネットワーク(PDN)からなるエンドツーエンドフレームワークSegTADを提案する。
  論文  参考訳（メタデータ） (2022-03-03T06:52:13Z)
• Self-supervised Pretraining with Classification Labels for Temporal Activity Detection [54.366236719520565]
  時間的アクティビティ検出は、1フレーム当たりのアクティビティクラスを予測することを目的としている。 検出に必要なフレームレベルのアノテーションが高価なため、検出データセットの規模は限られている。 本研究では,分類ラベルを利用した自己教師付き事前学習手法を提案する。
  論文  参考訳（メタデータ） (2021-11-26T18:59:28Z)
• Bandit Quickest Changepoint Detection [55.855465482260165]
  すべてのセンサの継続的な監視は、リソースの制約のためにコストがかかる可能性がある。 有限パラメータ化確率分布の一般クラスに対する検出遅延に基づく情報理論の下界を導出する。 本稿では,異なる検知オプションの探索と質問行動の活用をシームレスに両立させる,計算効率のよいオンラインセンシング手法を提案する。
  論文  参考訳（メタデータ） (2021-07-22T07:25:35Z)
• Dense Label Encoding for Boundary Discontinuity Free Rotation Detection [69.75559390700887]
  本稿では,分類に基づく比較的研究の少ない方法論について検討する。 我々は2つの側面でフロンティアを推し進めるための新しい手法を提案する。 航空画像のための大規模公開データセットの実験と視覚解析は,我々のアプローチの有効性を示している。
  論文  参考訳（メタデータ） (2020-11-19T05:42:02Z)

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。