論文の概要: P2P-Former: Bridging the Supervision Gap Between Point and Proposal in Temporal Action Localization

• arxiv url: http://arxiv.org/abs/2610.34618v1
• Date: Sun, 25 Oct 2026 22:35:05 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:13.648742
• Title: P2P-Former: Bridging the Supervision Gap Between Point and Proposal in Temporal Action Localization
• Title（参考訳）: P2P-Former: 時間的行動ローカライゼーションにおけるポイントと提案の間のスーパービジョンギャップをブリッジする
• Abstract要約: P2P-Formerは、時間的アクションローカライゼーションのための新しいP2P-Formerベースのフレームワークである。 ポイントレベルの監督から完全な監督に移行する上での2つの重要な課題を特定します。
• 参考スコア（独自算出の注目度）: 59.38095101759941
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Recently, point-supervised temporal action localization has attracted increasing attention due to its low annotation cost (only one frame per action instance) and competitive detection performance. However, since point annotations are less complete than proposal annotations, existing methods mainly rely on multiple instance learning for snippet-level classification, which leads to a performance gap compared to fully supervised models. To bridge this gap, we propose P2P-Former, a novel point-to-proposal Transformer-based framework that effectively connects point-level supervision with proposal-level learning for temporal action localization. In this work, we identify two key challenges in transitioning from point-level supervision to full supervision: (1) how to generate reliable proposals as pseudo ground-truth, and (2) how to effectively integrate point-level cues into the fully supervised paradigm. To address the first challenge, we propose a Point-aware Proposal Generation (PPG) strategy that refines the confidence of proposals produced by a base locator using a point-aware importance estimation function, and then performs optimal matching between point annotations and candidate proposals to select reliable proposals as pseudo ground-truth. To tackle the second challenge, we introduce a Point-guided Semantic Enhancement (PSE) module that aggregates prototypes from point-annotated features and injects them into snippet features through Transformer-based interactions. Moreover, we design a Point-to-Proposal Constraint Loss (PPCL) that enforces each predicted proposal to include the annotated point, thereby encouraging more accurate localization. Extensive experiments on the THUMOS14 and ActivityNet-1.3 datasets demonstrate that our method outperforms several existing state-of-the-art approaches.
• Abstract（参考訳）: 近年,アノテーションコストの低さ (アクションインスタンスあたり1フレームのみ) と競合検出性能により, 時間的時間的局所化が注目されている。 しかし、ポイントアノテーションは提案するアノテーションほど完全ではないため、既存のメソッドは主にスニペットレベルの分類のために複数のインスタンス学習に依存しており、完全に教師されたモデルと比較してパフォーマンスの差が生じる。 このギャップを埋めるために,P2P-Formerを提案する。これはP2P-Formerベースの新しいフレームワークで,時間的行動ローカライゼーションのための提案レベル学習とポイントレベルの監督を効果的に結びつける。 本研究では,ポイントレベルの監督から完全な監督へ移行する上での2つの重要な課題を,(1)疑似基底構造として信頼性の高い提案をいかに生成するか,(2)ポイントレベルの手がかりを完全に監督されたパラダイムに効果的に統合するか,の2つを特定する。 最初の課題に対処するため,本研究では,点認識重要度推定関数を用いてベースロケータが生成した提案の信頼性を向上する点認識提案生成(PPG)戦略を提案し,その上で,点アノテーションと候補提案との最適マッチングを行い,疑似接地実として信頼性の高い提案を選択する。 2つ目の課題に取り組むために、ポイントガイダンスセマンティックエンハンスメント(PSE)モジュールを導入し、ポイントアノテーション付き機能からプロトタイプを集約し、Transformerベースのインタラクションを通じてスニペット機能に注入する。 さらに,予測された各提案に注釈付きポイントを含むように強制し,より正確なローカライゼーションを促進するために,PPCL(Point-to-Proposal Constraint Loss)を設計する。 THUMOS14とActivityNet-1.3データセットの大規模な実験は、我々の手法が既存の最先端アプローチよりも優れていることを示している。

関連論文リスト

• Improving Point-based Crowd Counting and Localization Based on Auxiliary Point Guidance [59.71186244597394]
  本稿では,提案手法における提案対象マッチングの安定化に有効な手法を提案する。 本稿では,提案手法の選択と最適化のために,Auxiliary Point Guidance (APG)を提案する。 また,多様な群集シナリオにおける適応的特徴抽出を可能にするために,IFI(Implicit Feature Interpolation)を開発した。
  論文  参考訳（メタデータ） (2024-05-17T07:23:27Z)
• POTLoc: Pseudo-Label Oriented Transformer for Point-Supervised Temporal Action Localization [26.506893363676678]
  本稿ではPseudo-label Oriented Transformerを提案する。 POTLocは、自己学習戦略を通じて、継続的なアクション構造を特定し、追跡するように設計されている。 THUMOS'14とActivityNet-v1.2データセットでは、最先端のポイント管理手法よりも優れています。
  論文  参考訳（メタデータ） (2023-10-20T15:28:06Z)
• Proposal-Based Multiple Instance Learning for Weakly-Supervised Temporal Action Localization [98.66318678030491]
  微弱に監督された時間的行動ローカライゼーションは、トレーニング中にビデオレベルのカテゴリラベルのみを持つ未トリミングビデオのアクションをローカライズし、認識することを目的としている。 本稿では,提案手法をベースとしたP-MIL(Multiple Instance Learning)フレームワークを提案する。
  論文  参考訳（メタデータ） (2023-05-29T02:48:04Z)
• ProposalContrast: Unsupervised Pre-training for LiDAR-based 3D Object Detection [114.54835359657707]
  ProposalContrastは、教師なしのポイントクラウド事前トレーニングフレームワークである。 地域提案と対比することで、堅牢な3D表現を学習する。 ProposalContrastは様々な3D検出器で検証される。
  論文  参考訳（メタデータ） (2022-07-26T04:45:49Z)
• Adaptive Proposal Generation Network for Temporal Sentence Localization in Videos [58.83440885457272]
  ビデオ(TSLV)における時間文ローカライゼーションの問題に対処する。 従来のメソッドは、事前に定義されたセグメントの提案でターゲットセグメントをローカライズするトップダウンフレームワークに従っている。 本稿では,効率を向上しつつセグメントレベルの相互作用を維持するための適応提案生成ネットワーク(APGN)を提案する。
  論文  参考訳（メタデータ） (2021-09-14T02:02:36Z)
• Online Active Proposal Set Generation for Weakly Supervised Object Detection [41.385545249520696]
  弱い教師付きオブジェクト検出メソッドはイメージレベルのアノテーションのみを必要とする。 オンライン提案サンプリングはこれらの問題に対する直感的な解決策である。 提案アルゴリズムは, PASCAL VOC 2007 と 2012 の両データセットに対して一貫した, 有意な改善を示した。
  論文  参考訳（メタデータ） (2021-01-20T02:20:48Z)
• Point-Level Temporal Action Localization: Bridging Fully-supervised Proposals to Weakly-supervised Losses [84.2964408497058]
  point-level temporal action localization (ptal) は、各アクションインスタンスに対して1つのタイムスタンプアノテーションで、未トリミングビデオ内のアクションをローカライズすることを目的としている。 既存の手法ではフレームレベルの予測パラダイムを採用し、スパース単一フレームラベルから学習する。 本稿では,ポイントレベルアノテーションの提案に基づく予測パラダイムを検討する。
  論文  参考訳（メタデータ） (2020-12-15T12:11:48Z)

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。