論文の概要: PRIMA: Pose Refined Inductive Motion Adapter for Zero Shot Social Bodily Behavior Recognition

• arxiv url: http://arxiv.org/abs/2610.25482v1
• Date: Sun, 18 Oct 2026 19:10:49 GMT
• ステータス: 情報取得中
• システム内更新日: 2026-10-20 22:12:23.954205
• Title: PRIMA: Pose Refined Inductive Motion Adapter for Zero Shot Social Bodily Behavior Recognition
• Title（参考訳）: PRIMA:ゼロショット社会的身体行動認識のためのポインター補充インダクティブ・モーション・アダプタ
• Abstract要約: PRIMAは、凍結した視覚言語モデルにボディ構造を注入する軽量モジュールである。 マイクロアクションデータセット上でPRIMAをトレーニングし、ゼロショットプロンプトによって完全に評価する。 その結果、ポーズ誘導トレーニングは、見えない行動にまたがって一般化する身体構造前駆体を生み出すことが示唆された。
• 参考スコア（独自算出の注目度）: 9.972999969119655
• License:
• Abstract: Recognizing fine-grained bodily behaviors, such as self-grooming, postural shifts, and backchanneling, is a useful intermediate step for computational social signal analysis. But the behaviors that matter vary across social contexts, and retraining a model for each new taxonomy is expensive. Vision-language models (VLMs) can adapt to new categories through text prompts, yet they lack sensitivity to body structure and often confuse subtle postural distinctions. We propose PRIMA (Pose Refined Inductive Motion Adapter), a lightweight module that injects a body-structure prior into frozen VLMs using human pose as a training-time supervisory signal, requiring no pose input at inference. PRIMA separates a model-specific projection head from a shared core that encodes transferable body-configuration knowledge; adapting to a new VLM requires retraining only the head. We train PRIMA on a micro-action dataset and evaluate entirely through zero-shot prompting. The adapter improves recognition on its training domain, transfers to additional VLM backbones at different scales with the core frozen, and generalizes to two unseen target datasets from social psychology and daily activity recognition. In a supporting downstream study, the improved behavior predictions also yield higher correlations with human ratings of rapport and dominance in a collaboration context. Within the scope of the tested models and indoor datasets, the results indicate that pose-guided training can produce body-structure priors that generalize across unseen behavior vocabularies and can be partially reused across VLM backbones while preserving RGB-only inference.
• Abstract（参考訳）: 自己グラフト、姿勢シフト、バックチャネルなどの微粒な身体行動を認識することは、計算社会信号分析に有用な中間段階である。 しかし、重要な行動は社会的文脈によって異なり、新しい分類のモデルの再訓練は高価である。 視覚言語モデル(VLM)は、テキストプロンプトを通じて新しいカテゴリーに適応できるが、身体構造に対する感受性に欠け、微妙な姿勢の区別を混乱させることが多い。 PRIMA(Pose Refined Inductive Motion Adapter)は、人間のポーズをトレーニング時間監視信号として使用し、推論時にポーズ入力を必要としない軽量モジュールである。 PRIMAは、モデル固有のプロジェクションヘッドと、トランスファー可能なボディコンフィグレーションの知識を符号化する共有コアを分離する。 マイクロアクションデータセット上でPRIMAをトレーニングし、ゼロショットプロンプトによって完全に評価する。 このアダプタは、トレーニング領域での認識を改善し、コアを凍結した異なるスケールのVLMバックボーンに転送し、社会的心理学と日々のアクティビティ認識から、見えないターゲットデータセットを2つに一般化する。 下流での支持的な研究において、改善された行動予測は、コラボレーションの文脈におけるラプポートと支配の人間格付けとの相関性も高めている。 テストされたモデルと屋内データセットの範囲内で、ポーズ誘導トレーニングは、見えない振る舞いの語彙を一般化し、RGBのみの推論を保ちながらVLMバックボーンを部分的に再利用できる身体構造前駆体を生成することができることを示す。

関連論文リスト

• Foundation Models for Face Presentation Attack Detection: A Unified Linear-Probing Benchmark [32.89408229880636]
  クロスデータセット評価においては,顔提示攻撃検出は依然として困難である。 PAD関連情報を最小限のタスク特化訓練で利用できる汎用視覚基盤モデルか? 自己教師型ビジョントランス、視覚言語エンコーダ、教師型CNNを含む24個の凍結エンコーダを評価した。
  論文  参考訳（メタデータ） (2026-07-29T14:52:25Z)
• Rethinking Visual-Language-Action Model Scaling: Alignment, Mixture, and Regularization [65.37179698521766]
  VLA(Vision-Language-Action)モデルは、ジェネラリストロボットの制御を強く約束する。 標準的な「スケールデータ」レシピがロボット工学に翻訳されるかどうかはまだ不明だ。 本稿では,多様なロボットを対象とした事前学習のためのコアトレーニング選択を再考する,VLAスケーリングの体系的かつ制御された研究を提案する。
  論文  参考訳（メタデータ） (2026-02-10T12:25:43Z)
• Enhancing Semantic Segmentation with Continual Self-Supervised Pre-training [11.897717409259492]
  自己教師付き学習(SSL)は、基礎モデルをトレーニングするための中心的なパラダイムとして登場した。 GLAREは,下流セグメンテーション性能の向上を目的とした,新規な自己教師型事前学習タスクである。
  論文  参考訳（メタデータ） (2025-09-22T14:11:02Z)
• POET: Prompt Offset Tuning for Continual Human Action Adaptation [61.63831623094721]
  ユーザと開発者に対して,デバイスモデルに新たなアクションクラスを継続的に追加することで,エクスペリエンスをパーソナライズする機能の提供を目標としています。 我々はこれをプライバシーに配慮した数発の連続的な行動認識として定式化する。 本稿では,新しい時間的学習可能なプロンプトチューニング手法を提案し,グラフニューラルネットワークにこのようなプロンプトチューニングを適用した。
  論文  参考訳（メタデータ） (2025-04-25T04:11:24Z)
• Adaptation Odyssey in LLMs: Why Does Additional Pretraining Sometimes Fail to Improve? [19.34040322172224]
  テキストドメイン上でモデルをトレーニングすることは、同じドメインのテスト部分において、その難易度を低下させる可能性があることを示す。 我々の発見は、いつモデルを適応するか、いつ基礎的な能力に頼るかを決める上で、私たちを導くでしょう。
  論文  参考訳（メタデータ） (2024-10-08T00:37:16Z)
• Towards Seamless Adaptation of Pre-trained Models for Visual Place Recognition [72.35438297011176]
  視覚的位置認識のための事前学習モデル(VPR)のシームレスな適応を実現する新しい手法を提案する。 具体的には、地域を識別するための有意義なランドマークに焦点を当てたグローバルな特徴とローカルな特徴の両方を得るために、ハイブリッド適応法を設計する。 実験結果から,本手法はトレーニングデータやトレーニング時間が少なく,最先端の手法よりも優れていることがわかった。
  論文  参考訳（メタデータ） (2024-02-22T12:55:01Z)
• Open-World Pose Transfer via Sequential Test-Time Adaption [92.67291699304992]
  典型的なポーズ転送フレームワークは、通常、識別モデルをトレーニングするために代表的データセットを使用する。 テスト時間適応(TTA)は、自己スーパービジョンで本質的な特徴を学習する事前学習モデルを使用することで、OODデータに対して実現可能なソリューションを提供する。 実験では、まず、Tiktokの再現や有名人による動き合成など、オープンワールドの応用に、ポーズ転送が適用可能であることを示す。
  論文  参考訳（メタデータ） (2023-03-20T09:01:23Z)
• Understanding Self-Training for Gradual Domain Adaptation [107.37869221297687]
  段階的なドメイン適応は、対象領域へ徐々にシフトするラベルのないデータのみを与えられたソースドメインで訓練された初期分類器を適応させることが目的である。 目標領域への直接適応が非有界誤差をもたらすような設定下において、段階的なシフトを伴う自己学習の誤差に対する最初の非無空上界を証明した。 この理論解析はアルゴリズムの洞察を導き、無限のデータを持つ場合でも正規化とラベルのシャープ化が不可欠であることを強調し、より小さなワッサーシュタイン無限距離のシフトに対して自己学習が特にうまく働くことを示唆している。
  論文  参考訳（メタデータ） (2020-02-26T08:59:40Z)

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。