論文の概要: Action-Slot: Structured Action-Centric Representation Learning for Multi-Agent Atomic Activity Understanding

• arxiv url: http://arxiv.org/abs/2609.24127v1
• Date: Mon, 21 Sep 2026 05:29:29 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-09-22 20:29:01.084236
• Title: Action-Slot: Structured Action-Centric Representation Learning for Multi-Agent Atomic Activity Understanding
• Title（参考訳）: アクションスロット:多エージェント原子活動理解のための構造化アクション中心表現学習
• Abstract要約: 原子活動理解は、運動パターンとトポロジの接地を共同で符号化する構造的交通行動を認識し、ローカライズすることを目的としている。 本稿では,構造化されたアクション中心表現学習フレームワークであるAction-Slotを紹介する。 OATS、TACO、注釈付きnuScenesの実験は、優れた認識、強力なsim-to-realトランスファー、最先端の教師付きローカライゼーションを示す。
• 参考スコア（独自算出の注目度）: 24.90278358192322
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Atomic activity understanding aims to recognize and localize structured traffic behaviors that jointly encode motion patterns and their grounding in road topology. Unlike conventional action recognition, atomic activities are multi-agent, multi-label, and topology-aware: multiple activities co-occur while many agents remain inactive. We introduce Action-Slot, a structured action-centric representation learning framework. Slot attention is widely used for object-centric decomposition, but its permutation-invariant design and object-level inductive bias are misaligned with atomic activity semantics. We reformulate slot learning as structured activity decomposition through three designs: (1) category-aligned action slots that anchor slots to predefined activity categories, (2) parallel spatio-temporal slot updating for holistic video-level reasoning, and (3) background and negative-slot regularization that enforces competition between foreground activities and irrelevant regions. Together these establish an activity-centric inductive bias that disentangles concurrent and asynchronous activities directly from raw video. Beyond recognition, the learned representations encode transferable spatio-temporal grounding signals. We further propose an attention-difference-based pseudo mask selection framework that suppresses false positives by measuring attention changes before and after candidate region removal, enabling weakly supervised localization without dense annotations. To support systematic evaluation, we introduce TACO, a balanced synthetic dataset with full atomic activity coverage and pixel-level annotations. Experiments on OATS, TACO, and annotated nuScenes show superior recognition, strong sim-to-real transfer, and state-of-the-art weakly supervised localization.
• Abstract（参考訳）: 原子活動理解は、道路トポロジにおける移動パターンと接地を共同で符号化する構造的交通行動を認識し、ローカライズすることを目的としている。 従来の行動認識とは異なり、原子活動はマルチエージェント、マルチラベル、トポロジー認識である。 本稿では,構造化されたアクション中心表現学習フレームワークであるAction-Slotを紹介する。 スロットアテンションは、オブジェクト中心の分解に広く用いられているが、その置換不変設計とオブジェクトレベルの帰納的バイアスは、原子活動意味論と不一致である。 本研究では,(1)事前定義された活動カテゴリにスロットを固定するカテゴリ整列アクションスロット,(2)全体的ビデオレベルの推論のための並列時空間更新,(3)前景活動と無関係領域の競合を強制するバックグラウンドおよび負スロット正規化の3つの設計により,スロット学習を構造化されたアクティビティ分解として再構成する。 これらを合わせると、アクティビティ中心の帰納バイアスが成立し、同時に、非同期なアクティビティを生のビデオから直接切り離す。 認識以外にも、学習された表現は伝達可能な時空間基底信号を符号化する。 さらに,注目度に基づく疑似マスク選択フレームワークを提案する。これは,候補領域の削除前後の注意変化を計測することで,偽陽性を抑えるもので,濃密なアノテーションを使わずに,弱い教師付き局所化を可能にする。 システム評価を支援するために,フルアトミックなアクティビティカバレッジとピクセルレベルのアノテーションを備えた,バランスの取れた合成データセットであるTACOを導入する。 OATS、TACO、注釈付きnuScenesの実験は、優れた認識、強力なsim-to-realトランスファー、最先端の教師付きローカライゼーションを示す。

関連論文リスト

• Learning Additively Compositional Latent Actions for Embodied AI [29.26703392827422]
  潜在行動学習は、視覚遷移から擬似行動ラベルを推論する。 追加合成潜在行動モデル(AC-LAM)を導入する。 AC-LAMは、潜伏作用空間上の短い地平線上でのシーンワイズ付加合成構造を強制する。
  論文  参考訳（メタデータ） (2026-04-03T08:53:29Z)
• Zero-Shot Open-Vocabulary Human Motion Grounding with Test-Time Training [39.7658823121591]
  ZOMGは、アノテーションや微調整を必要とせずに、動作シーケンスを意味のあるサブアクションに分割するフレームワークである。 ZOMGは(1)言語セマンティックパーティションを統合し、大きな言語モデルを利用して命令を順序付けられたサブアクション単位に分解し、(2)ソフトマスキング最適化を行う。 3つのモーション言語データセットの実験では、HumanML3Dベンチマークにおいて、先行手法を+8.7%mAPで上回る、動作グラウンド性能の最先端の有効性と効率が示されている。
  論文  参考訳（メタデータ） (2025-11-19T12:11:36Z)
• FinePseudo: Improving Pseudo-Labelling through Temporal-Alignablity for Semi-Supervised Fine-Grained Action Recognition [57.17966905865054]
  実生活における行動認識の応用は、しばしば微妙な動きのきめ細かい理解を必要とする。 既存の半教師ありアクション認識は主に粗いアクション認識に焦点を当てている。 そこで我々は,微粒なアクションペアの識別を効果的に行うための,アライナビリティ検証に基づくメトリック学習手法を提案する。
  論文  参考訳（メタデータ） (2024-09-02T20:08:06Z)
• Action-slot: Visual Action-centric Representations for Multi-label Atomic Activity Recognition in Traffic Scenes [23.284478293459856]
  Action-Slotは、視覚的なアクション中心の表現を学ぶスロットアテンションベースのアプローチである。 私たちのキーとなるアイデアは、原子活動が起こる領域に注意を払うことができるアクションスロットを設計することです。 この制限に対処するため,OATSより4倍大きいTACOという合成データセットを収集した。
  論文  参考訳（メタデータ） (2023-11-29T05:28:05Z)
• 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)
• Self-Regulated Learning for Egocentric Video Activity Anticipation [147.9783215348252]
  自己制御学習(SRL)は、中間表現を連続的に制御し、現在のタイムスタンプのフレームにおける新しい情報を強調する表現を作り出すことを目的としている。 SRLは2つのエゴセントリックなビデオデータセットと2つの第三者のビデオデータセットにおいて、既存の最先端技術よりも大幅に優れています。
  論文  参考訳（メタデータ） (2021-11-23T03:29:18Z)
• Cross-modal Consensus Network for Weakly Supervised Temporal Action Localization [74.34699679568818]
  時間的行動局所化 (WS-TAL) は、ビデオレベルの分類的監督によって、ビデオ内のアクションインスタンスをローカライズすることを目的とした課題である。 この問題に対処するためのクロスモーダルコンセンサスネットワーク(CO2-Net)を提案する。
  論文  参考訳（メタデータ） (2021-07-27T04:21:01Z)
• 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。