論文の概要: Learning High-Quality Pseudo-Labels for Point-Supervised Temporal Action Localization

• arxiv url: http://arxiv.org/abs/2610.35516v1
• Date: Mon, 26 Oct 2026 14:37:47 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-27 22:27:14.032836
• Title: Learning High-Quality Pseudo-Labels for Point-Supervised Temporal Action Localization
• Title（参考訳）: ポイントスーパービジョン時空間行動定位のための高品質擬似ラベルの学習
• Abstract要約: ポイントトリミング時間的アクションローカライゼーション(PTAL)は、ポイントレベルのアノテーションのみを使用して、教師なしビデオのアクションインスタンスを認識およびローカライズすることを目的としている。 既存の擬似ラベルに基づく手法はPTALで大きく進歩している。 本稿では,検出器訓練中に事前誘導初期化とコンセンサス誘導改良を統合する枠組みを提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Point-supervised temporal action localization (PTAL) aims to recognize and localize action instances in untrimmed videos using only point-level annotations. Existing pseudo-label-based methods have made substantial progress in PTAL. However, confidence-based initialization can overlook well-localized proposals. Meanwhile, existing methods either keep pseudo-labels fixed during detector training or update them without fully exploiting alternative boundary evidence from the original proposal pool. These limitations constrain supervision quality, thereby hindering detection performance. To learn high-quality pseudo-labels, we propose a framework that integrates prior-guided initialization with consensus-guided refinement during detector training. Our framework comprises two modules: Prior-Guided Initialization (PGI) and Consensus-Guided Refinement (CGR). PGI combines proposal confidence with point-derived priors to establish instance-specific reliability for initial pseudo-label selection and candidate retention. CGR continually uses the retained original candidates to construct boundary targets, combining their consensus with evolving detector predictions to refine pseudo-labels throughout training. Experiments on four benchmarks demonstrate that our method achieves competitive detection performance compared with existing methods. In particular, our method achieves 68.5\% average mAP over tIoU thresholds 0.1--0.7 on THUMOS14, surpassing PseR by 3.7 percentage points. Code is available at https://github.com/zhenyingfang/LHQP
• Abstract（参考訳）: PTAL(Point-supervised temporal action Localization)は、ポイントレベルのアノテーションのみを使用して、未トリミングビデオ中のアクションインスタンスを認識およびローカライズすることを目的としている。 既存の擬似ラベルに基づく手法はPTALで大きく進歩している。 しかし、信頼に基づく初期化は、よく局所化された提案を見落としることができる。 一方、既存の手法では、検出器訓練中に擬似ラベルを固定するか、または元の提案プールから代替境界証拠を完全に活用せずに更新する。 これらの制限は監視品質を制限し、検出性能を阻害する。 高品質な擬似ラベルを学習するために,先行誘導初期化とコンセンサス誘導改良を統合したフレームワークを提案する。 本フレームワークは,PGIとConsensus-Guided Refinement(CGR)の2つのモジュールから構成される。 PGIは提案の信頼性と点由来の先行性を組み合わせることで、初期擬似ラベルの選択と候補保持のためのインスタンス固有の信頼性を確立する。 CGRは、保持された元の候補を継続的に境界目標の構築に使用し、そのコンセンサスと進化する検出器予測を組み合わせて、トレーニングを通じて擬似ラベルを洗練させる。 4つのベンチマーク実験により,本手法は既存手法と比較して競合検出性能が向上することを示した。 特に,THUMOS14 では tIoU 閾値 0.1-0.7 以上の平均 mAP を68.5 % で達成し,PseR を3.7 ポイント上回る。 コードはhttps://github.com/zhenyingfang/LHQPで公開されている。

関連論文リスト

• Progressive Subset Selection and Cascaded Consistency for Unsupervised Vision-Language Model Adaptation [10.687946118442847]
  PVLM(Pretrained Vision-Language Models)は、強いゼロショット認識を実現するが、ターゲットドメインシフト時の性能劣化に悩まされることが多い。 本稿では,プログレッシブマージンに基づくサブセット選択とカスケード一貫性学習を組み合わせた,教師なしPVLM適応のためのシンプルなフレームワークを提案する。
  論文  参考訳（メタデータ） (2026-10-20T02:30:11Z)
• Progressive Pseudo-Label Optimization for Point-Supervised Change Detection [22.97049233002384]
  SAM2をPS-CDに導入し,対象タスクに段階的に適応する2段階フレームワークを提案する。 ステージIでは、SAM2は、両時間画像上の点アノテーションからオブジェクト認識候補マスクを生成し、両時間マスク選択戦略は、ジェネリックセグメンテーション応答をより信頼性の高い変更擬似ラベルに変換するように設計されている。 段階IIでは,教師が指数的な移動平均によって更新され,定期的に擬似ラベルを更新する自己学習フレームワークを構築した。
  論文  参考訳（メタデータ） (2026-09-02T06:33:23Z)
• Less is More: Pseudo-Label Filtering for Continual Test-Time Adaptation [13.486951040331899]
  連続的テスト時間適応(CTTA)は、ソースデータにアクセスすることなく、テストフェーズ中に対象ドメインのシーケンスに事前訓練されたモデルを適用することを目的としている。 既存の方法は、すべてのサンプルに対して擬似ラベルを構築し、自己学習を通じてモデルを更新することに依存している。 擬似ラベルの品質を向上させるために擬似ラベルフィルタ(PLF)を提案する。
  論文  参考訳（メタデータ） (2024-06-03T04:09:36Z)
• Exploiting Low-confidence Pseudo-labels for Source-free Object Detection [54.98300313452037]
  Source-free Object Detection (SFOD) は、ラベル付きソースデータにアクセスすることなく、未ラベルのターゲットドメインにソーストレーニングされた検出器を適応することを目的としている。 現在のSFOD法は適応相におけるしきい値に基づく擬似ラベル手法を用いる。 疑似ラベルを最大限に活用するために,高信頼度と低信頼度しきい値を導入する手法を提案する。
  論文  参考訳（メタデータ） (2023-10-19T12:59:55Z)
• Label, Verify, Correct: A Simple Few Shot Object Detection Method [93.84801062680786]
  トレーニングセットから高品質な擬似アノテーションを抽出するための簡単な擬似ラベリング手法を提案する。 擬似ラベリングプロセスの精度を向上させるための2つの新しい手法を提案する。 提案手法は,既存手法と比較して,最先端ないし第2の性能を実現する。
  論文  参考訳（メタデータ） (2021-12-10T18:59:06Z)
• Refining Pseudo Labels with Clustering Consensus over Generations for Unsupervised Object Re-identification [84.72303377833732]
  教師なしのオブジェクト再識別は、アノテーションなしでオブジェクト検索のための識別表現を学習することを目的としている。 本稿では,クラスタリングコンセンサスを用いた連続学習世代間の擬似ラベル類似性を推定し,時間的に伝播およびアンサンブルされた擬似ラベルを用いた洗練された擬似ラベルを提案する。 提案する擬似ラベル精錬戦略は単純だが有効であり、既存のクラスタリングに基づく教師なし再同定手法にシームレスに統合することができる。
  論文  参考訳（メタデータ） (2021-06-11T02:42:42Z)
• Rethinking Pseudo Labels for Semi-Supervised Object Detection [84.697097472401]
  物体検出に適した確実な擬似ラベルを導入する。 我々は,クラス不均衡問題を緩和するために,各カテゴリの擬似ラベルと再重み付き損失関数を生成するために使用する閾値を動的に調整する。 提案手法では,COCOのラベル付きデータのみを用いて,教師付きベースラインを最大10%改善する。
  論文  参考訳（メタデータ） (2021-06-01T01:32:03Z)
• 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)
• Two-phase Pseudo Label Densification for Self-training based Domain Adaptation [93.03265290594278]
  TPLDと呼ばれる,新規な二相擬似ラベル高密度化フレームワークを提案する。 第1フェーズでは,スライディングウインドウ投票を用いて,画像内の内在的空間相関を利用して,自信のある予測を広める。 第2フェーズでは,信頼度に基づく容易な分類を行う。 トレーニングプロセスの容易化と騒音予測の回避を目的として,ブートストラップ機構の導入を行った。
  論文  参考訳（メタデータ） (2020-12-09T02:35:25Z)

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。