論文の概要: I Have a Stream: Making Self-Supervised Learning Work on Continuous Video

• arxiv url: http://arxiv.org/abs/2609.40333v1
• Date: Wed, 30 Sep 2026 17:57:30 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-01 18:57:28.343374
• Title: I Have a Stream: Making Self-Supervised Learning Work on Continuous Video
• Title（参考訳）: I Have a Stream: 継続的ビデオで自己監督型学習を実現する
• Abstract要約: 本研究では,フレームを時間順に消費する連続ビデオストリームからの自己教師型学習について,厳密なスライディングウインドウバッチを用いて検討する。 対照的な蒸留法と蒸留法は、この環境では苦戦しているのに対し、MAEはより堅牢であるが、標準のi.d.事前訓練には不足している。 本稿では,ストリーム認識型正規化と移動バイアス作物選択を併用した入力パイプラインを適応させながら,コアMAE再構成の目的を維持できるStreamMAEを提案する。
• 参考スコア（独自算出の注目度）: 30.358061270403994
• License: http://creativecommons.org/licenses/by-sa/4.0/
• Abstract: Self-supervised learning draws inspiration from infant visual development, yet standard training pipelines bear little resemblance to it: images are independently sampled and globally shuffled across epochs. We study self-supervised learning from continuous video streams, where frames are consumed in temporal order using strict sliding-window batches, without global reshuffling or multi-epoch replay. To this end, we construct WT++, a 95-hour urban walking-tour video dataset for streaming pretraining. Combined with a comprehensive evaluation suite we find that contrastive and distillation-based methods struggle in this setting, while MAE is more robust but still falls short of standard i.i.d. pretraining. We find that high inter-batch similarity, caused by sliding-window consumption across consecutive batches, does not explain this gap. The main challenge is high intra-batch similarity, where frames within each batch are near-duplicates. To mitigate this, we propose StreamMAE, which preserves the core MAE reconstruction objective while adapting the input pipeline with stream-aware regularization and motion-biased crop selection. StreamMAE outperforms streaming baselines, matches i.i.d. MAE trained on the same video data, remains competitive with ImageNet-pretrained MAE, and scales positively as the pretraining stream grows from 12 to 95 hours.
• Abstract（参考訳）: 自己教師型学習は幼児の視覚発達からインスピレーションを得ているが、標準的な訓練パイプラインはそれとほとんど似ていない。 本研究では,連続ビデオストリームからの自己教師型学習について検討し,時間順にフレームをスライディングウインドウのバッチを用いて,グローバルリシャッフルやマルチエポックリプレイを行なわずに,時間順にフレームを消費する。 この目的を達成するために、95時間の都市ウォーキングツアービデオデータセットであるWT++を構築し、事前トレーニングをストリーミングする。 総合的な評価スイートと組み合わせると、コントラスト法と蒸留法に基づく手法がこの環境で苦戦しているのに対し、MAEはより堅牢であるが、標準のi.d.事前訓練に欠けていることが分かる。 連続するバッチ間のスライディングウインドウ消費によるバッチ間の高い類似性は、このギャップを説明できない。 主な課題は、バッチ内のフレームがほぼ重複している、高いバッチ内類似性である。 これを軽減するために,ストリームアウェアの正規化と移動バイアスの作物選択に入力パイプラインを適応させながら,コアMAE再構成の目標を維持できるStreamMAEを提案する。 StreamMAEはストリーミングベースラインを上回り、同じビデオデータでトレーニングされたMAEと一致し、ImageNetで事前トレーニングされたMAEと競合し続け、事前トレーニングされたストリームが12時間から95時間に増加するにつれて、前向きにスケールする。

関連論文リスト

• Self Forcing: Bridging the Train-Test Gap in Autoregressive Video Diffusion [67.94300151774085]
  本稿では,自己回帰ビデオ拡散モデルのための新しい訓練パラダイムであるSelf Forcingを紹介する。 露光バイアスの長年の問題に対処し、地道的な文脈で訓練されたモデルは、自身の不完全な出力で条件付けられたシーケンスを生成する必要がある。
  論文  参考訳（メタデータ） (2025-06-09T17:59:55Z)
• Learning from One Continuous Video Stream [70.30084026960819]
  1つの連続ビデオストリームからオンライン学習のためのフレームワークを導入する。 連続するビデオフレーム間の高い相関を考えると、これは大きな課題となる。 プリトレーニングとシングルストリーム評価を切り替える実用的で柔軟な方法として,ピクセル・ツー・ピクセル・モデリングを採用している。
  論文  参考訳（メタデータ） (2023-12-01T14:03:30Z)
• DropMAE: Learning Representations via Masked Autoencoders with Spatial-Attention Dropout for Temporal Matching Tasks [77.84636815364905]
  本稿では,種々の時間的マッチングに基づくダウンストリームタスクに対して,マスク付きオートエンコーダ(MAE)ビデオの事前学習を行う。 そこで我々は,映像における時間的対応学習を容易にするために,フレーム再構成において空間的アテンション・ドロップアウトを適応的に行うDropMAEを提案する。
  論文  参考訳（メタデータ） (2023-04-02T16:40:42Z)

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。