Fugu-MT 論文翻訳(概要): PAM-Mamba - Efficient Dense Action Detection using Mamba

論文の概要: PAM-Mamba - Efficient Dense Action Detection using Mamba

arxiv url: http://arxiv.org/abs/2611.00423v1
Date: Fri, 30 Oct 2026 22:15:28 GMT
ステータス: 情報取得中
システム内更新日: 2026-11-03 19:43:08.533656
Title: PAM-Mamba - Efficient Dense Action Detection using Mamba
Title（参考訳）: PAM-Mamba-Mambaを用いた高効率高密度行動検出
Abstract要約: Transformer-based method は高い精度を実現するが、$O(T2)$ self-attention cost はスケーラビリティを制限する。我々は,マルチブランチ時間エンコーダを備えたMamba上に構築された線形時間$O(T)$アーキテクチャであるPAM-Mambaを提案する。
参考スコア（独自算出の注目度）: 11.75554824845038
License:
Abstract: Dense action detection requires precisely localising multiple overlapping actions in long untrimmed videos. Transformer-based methods achieve strong accuracy but their $O(T^2)$ self-attention cost limits scalability. We present PAM-Mamba, a linear-time $O(T)$ architecture built on Mamba with a multi-branch temporal encoder. Gated Learnable Positional Encoding (GLPE) controls positional signal injection via a scalar gate initialised to zero, starting training without added positional signal. A Hub-and-Spoke Funnel extends the non-hierarchical multi-scale design of PAT with a direct residual from the original full-resolution input to each coarse branch, providing each coarse branch with a projection of the input features. Bi-TemBa (Bidirectional Temporal Mamba) first extracts local motion cues with a shallow Temporal Convolution Module, then applies a cascaded bidirectional Mamba scan; the backward pass refines the forward-scanned representation from the opposite direction, giving each temporal position access to context from both directions in linear time. Uncertainty-Based Mixup uses prediction entropy to guide the selection of mixup partners. Using the PAT evaluation implementation, we obtain 26.82 (Charades I3D), 34.59 (Charades CLIP), 46.56 (MultiTHUMOS I3D), and 46.92 mAP (MultiTHUMOS CLIP), with 26.1-27.9M parameters, 61-63% fewer than PAT.
Abstract（参考訳）: 複雑なアクション検出には、長い未トリミングビデオで重複する複数のアクションを正確にローカライズする必要がある。トランスフォーマーベースの手法は高い精度を実現するが、その$O(T^2)$自己注意コストはスケーラビリティを制限している。我々は,マルチブランチ時間エンコーダを備えたMamba上に構築された線形時間$O(T)$アーキテクチャであるPAM-Mambaを提案する。 Gated Learnable Positional Encoding (GLPE)は、ゼロに初期化されたスカラーゲートを介して位置信号の注入を制御する。 Hub-and-Spoke Funnelは、PATの階層的でないマルチスケール設計を拡張し、元のフルレゾリューション入力から各粗い分岐への直接的残差を入力特徴の投影を提供する。 Bi-TemBa (Bidirectional Temporal Mamba) は、まず浅いテンポラル・コンボリューション・モジュールで局所的な動きキューを抽出し、カスケードされた双方向のマンバ・スキャンを適用し、後方パスは前方走査された表現を反対方向から洗練し、それぞれの時間的位置を線形時間で両方向からコンテキストへアクセスする。 Uncertainty-Based Mixupは、予測エントロピーを使用して、ミックスアップパートナーの選択をガイドする。 PAT 評価実装を用いて,26.82 (Charades I3D),34.59 (Charades CLIP),46.56 (MultiTHUMOS I3D),46.92 mAP (MultiTHUMOS CLIP),26.1-27.9M パラメータで,PAT よりも61-63%小さい。

関連論文リスト

No Scale Left Behind: Multi-Scale Autoencoder with Bi-directional Attention for Time Series Anomaly Detection [40.07090144991823]
時系列異常検出(TSAD)は、医療、金融、産業モニタリング、その他の分野において重要な役割を果たす。 TSAD(MSCAD)のためのクロススケールアテンション付きマルチスケールオートエンコーダを提案する。 MSCADは、パッチサイズに応じて並列オートエンコーダブランチ上に構築された、半教師付きTSADフレームワークである。
論文参考訳（メタデータ） (2026-09-29T16:55:32Z)
BiSegMamba: Efficient Bidirectional Tri-Oriented Mamba for 3D Medical Image Segmentation [6.344197178127241]
本稿では,3次元医用画像分割のための3次元ネットワークであるBiSegMambaを提案する。 BiSegMambaは、血管、心臓、脳腫瘍、腹部の多臓器セグメンテーションタスクを一般化する。 SegMamba-V2と比較して、BiSegMambaはBraTS2023のパフォーマンスがわずかに向上し、ACDCと頸動脈データセットが明確になった。
論文参考訳（メタデータ） (2026-05-29T08:13:22Z)
VIMCAN: Visual-Inertial 3D Human Pose Estimation with Hybrid Mamba-Cross-Attention Network [15.727067180984237]
VIMCANは、Mambaの効率的なシーケンスモデリングと、Cross-Attentionの空間的推論を組み合わせたハイブリッドアーキテクチャである。 VIMCANは、TotalCaptureでは17.2mm、3DPWでは45.3mmの平均結合位置誤差(MPJPE)よりも精度が高い。
論文参考訳（メタデータ） (2026-05-08T10:28:05Z)
Polar Hierarchical Mamba: Towards Streaming LiDAR Object Detection with Point Clouds as Egocentric Sequences [12.420075828114326]
リアルタイム物体検出は、リアルタイム認識が低レイテンシと高スループットを必要とする自動運転車にとって不可欠である。最近のMambaベースの状態空間モデル(SSM)は、LiDARの認識を約束しているが、フルスキャン環境でのみである。我々は、極座標ストリーミングLiDAR用に設計された新しいSSMアーキテクチャであるPolar Hierarchical Mambaを提案する。
論文参考訳（メタデータ） (2025-06-07T22:53:50Z)
SIGMA: Selective Gated Mamba for Sequential Recommendation [56.85338055215429]
最近の進歩であるMambaは、時系列予測において例外的なパフォーマンスを示した。 SIGMA(Selective Gated Mamba)と呼ばれる,シークエンシャルレコメンデーションのための新しいフレームワークを紹介する。以上の結果から,SIGMAは5つの実世界のデータセットにおいて,現在のモデルよりも優れていたことが示唆された。
論文参考訳（メタデータ） (2024-08-21T09:12:59Z)
Sports-Traj: A Unified Trajectory Generation Model for Multi-Agent Movement in Sports [53.637837706712794]
任意の軌道をマスク入力として処理する統一軌道生成モデルUniTrajを提案する。具体的には,空間特徴抽出のためのトランスフォーマーエンコーダ内に埋め込まれたゴースト空間マスキング(GSM)モジュールを紹介する。バスケットボールU,サッカーU,サッカーUの3つの実践的スポーツデータセットをベンチマークして評価を行った。
論文参考訳（メタデータ） (2024-05-27T22:15:23Z)
Coordinate Transformer: Achieving Single-stage Multi-person Mesh Recovery from Videos [91.44553585470688]
ビデオから複数人の3Dメッシュを回収することは、バーチャルリアリティーや理学療法などにおけるグループ行動の自動認識に向けた重要な第一歩である。本稿では,複数人物の時空間関係を直接モデル化し,同時にエンドツーエンドでマルチ・メッシュ・リカバリを行うコーディネート・トランスフォーマーを提案する。 3DPWデータセットの実験では、CoordFormerが最先端の精度を大幅に向上し、MPJPE、PAMPJPE、PVEの計測値でそれぞれ4.2%、8.8%、そして4.7%を上回った。
論文参考訳（メタデータ） (2023-08-20T18:23:07Z)
P-STMO: Pre-Trained Spatial Temporal Many-to-One Model for 3D Human Pose Estimation [78.83305967085413]
本稿では,2次元から3次元のポーズ推定作業のためのP-STMOモデルを提案する。提案手法は,パラメータが少なく,計算オーバーヘッドが少なく,最先端の手法より優れている。
論文参考訳（メタデータ） (2022-03-15T04:00:59Z)
MixSTE: Seq2seq Mixed Spatio-Temporal Encoder for 3D Human Pose Estimation in Video [75.23812405203778]
近年, 学習時間相関のため, 全フレームのボディジョイントを世界規模で考慮し, 2次元キーポイントシーケンスから3次元人間のポーズを推定する手法が提案されている。本研究では,各関節の時間的動きを別々にモデル化する時間的変圧器ブロックと,関節間空間相関を有する変圧器ブロックを有するミキシングミキシングを提案する。さらに、ネットワーク出力は、中央フレームから入力ビデオの全フレームに拡張され、入力と出力のベンチマーク間のコヒーレンスが改善される。
論文参考訳（メタデータ） (2022-03-02T04:20:59Z)
Efficient Two-Stream Network for Violence Detection Using Separable Convolutional LSTM [0.0]
Separable Convolutional LSTM(SepConvLSTM)と予め訓練されたMobileNetを活用した効率的な2ストリームディープラーニングアーキテクチャを提案する。 SepConvLSTMは、ConvLSTMの各ゲートの畳み込み操作を深さ方向に分離可能な畳み込みに置き換えて構築されます。我々のモデルは、大きくて挑戦的なrwf-2000データセットの精度を2%以上上回っている。
論文参考訳（メタデータ） (2021-02-21T12:01:48Z)

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。