Fugu-MT 論文翻訳(概要): TraCE: Trajectory-Aware Concepts for Explainable Video Understanding

論文の概要: TraCE: Trajectory-Aware Concepts for Explainable Video Understanding

arxiv url: http://arxiv.org/abs/2611.07009v1
Date: Wed, 04 Nov 2026 19:00:01 GMT
ステータス: 翻訳完了
システム内更新日: 2026-11-06 21:50:50.426729
Title: TraCE: Trajectory-Aware Concepts for Explainable Video Understanding
Title（参考訳）: TraCE: 説明可能なビデオ理解のための軌道認識概念
Abstract要約: TraCEは、トレーニングビデオから光フロー軌跡をクラスタリングすることで、ソースフレキシブルなモーションコンセプトを発見するコンセプトベースのフレームワークである。 NTU RGB+D Mutual, Chiral SSv2, UCF-101, KTH, TOMATO, STAR の5種類のランダム種子に対する TraCE の評価を行った。
参考スコア（独自算出の注目度）: 20.300866725254046
License: http://creativecommons.org/licenses/by/4.0/
Abstract: Video understanding models often rely on motion, yet their explanations can obscure which motion sources support a prediction. We identify motion-source under-specification as a limitation of existing video XAI: region-centric explanations can be source-ambiguous, while motion vocabularies restricted to single-person pose sequences are source-incomplete. We propose TraCE (Trajectory-Aware Concepts for Explainable Video Understanding), a concept-based framework that discovers source-flexible motion concepts by clustering optical-flow trajectories from training videos. These concepts represent dynamic evidence from people, objects, and interactions, while object and scene concepts account for static context. The resulting typed trajectory/object/scene interface supports class prediction for action recognition and question-conditioned concept matching for video question answering (VQA). We evaluate TraCE across five random seeds on six benchmarks: NTU RGB+D Mutual, Chiral SSv2, UCF-101, KTH, TOMATO, and STAR. Relative to non-interpretable baselines, TraCE maintains competitive task performance, with an average accuracy drop of 1.0 points for action recognition and a nominal gain of 0.4 points for VQA. Motion perturbation and concept-removal tests provide complementary evidence of directional semantic alignment and decision faithfulness, while sample-level interventions illustrate targeted model debugging. Our project page is available at https://leewooil.github.io/TraCE_project_page/.
Abstract（参考訳）: ビデオ理解モデルは、しばしば動きに依存するが、その説明は、どの動き源が予測をサポートするのかを曖昧にすることができる。我々は、動画XAIの領域中心の説明はソースアンビグラスであり、単一の人物のポーズシーケンスに制限された動き語彙はソース不完全である。トレーニングビデオから光フロートラジェクトリをクラスタリングすることで、ソースフレキシブルなモーションコンセプトを検出するコンセプトベースのフレームワークであるTrCE(Trajectory-Aware Concepts for Explainable Video Understanding)を提案する。これらの概念は人、オブジェクト、相互作用の動的なエビデンスを表し、オブジェクトとシーンの概念は静的なコンテキストを記述します。入力されたトラジェクトリ/オブジェクト/シーンインターフェースは、アクション認識のためのクラス予測とビデオ質問応答(VQA)のための質問条件の概念マッチングをサポートする。 NTU RGB+D Mutual, Chiral SSv2, UCF-101, KTH, TOMATO, STAR の5種類のランダム種子に対する TraCE の評価を行った。解釈不能なベースラインとは対照的に、TraCEは競合タスクのパフォーマンスを維持しており、平均精度はアクション認識で1.0ポイント、名目上のVQAで0.4ポイント低下している。運動摂動と概念除去テストは、方向性のセマンティックアライメントと決定の忠実性の相補的な証拠を提供する一方、サンプルレベルの介入は、対象のモデルデバッグを示す。私たちのプロジェクトページはhttps://leewooil.github.io/TraCE_project_page/.com/で公開されています。

関連論文リスト

IntentQA: Intent Question Answering in Videos by Cognitive Context Reasoning [62.131402798485]
映像理解には、知的エージェントが視覚的事実の単なる認識を超越し、人間の行動の背後にある意図を理解する必要がある。我々は、新しいタスクであるIntentQAを導入し、この目的に特化された大規模ビデオQAデータセットをコントリビュートする。我々は,3種類の「認知コンテキスト」を活用して映像分析を強化する,X-CaVIR(eXplainable Context-aware Video Intent Reasoning)フレームワークを提案する。
論文参考訳（メタデータ） (2026-08-24T14:43:28Z)
Motion-o: Trajectory-Grounded Video Reasoning [5.820112753483201]
視覚言語モデルに対する動き中心の映像理解拡張であるtextbfMotion-o を導入する。我々はまた、個別のアノテーションを通してオブジェクトの軌跡を生成する構造化推論経路であるMotion Chain of Thoughttext (MT)を紹介した。実験結果から、Motion-oは空間的時間的接地と軌道予測を改善することが示された。
論文参考訳（メタデータ） (2026-03-19T13:00:29Z)
Bring Your Dreams to Life: Continual Text-to-Video Customization [76.70414091514704]
我々は,忘れと概念の無視に対処するために,連続的カスタマイズビデオ拡散モデルを開発した。概念の無視に対処するため,地域特性を高め,映像コンテキストをユーザ条件と整合させる制御可能な条件合成を開発した。私たちのCCVDは、DreamVideoとWan 2.1のバックボーンで既存のCTVGベースラインを上回っています。
論文参考訳（メタデータ） (2025-12-05T15:25:56Z)
Disentangled Concepts Speak Louder Than Words:Explainable Video Action Recognition [22.38060746037401]
本稿では,Disentangled Action aNd Context の概念に基づく Explainable (DANCE) ビデオアクション認識を提案する。 DANCEは、アンタングルされたコンセプトタイプ(モーションダイナミクス、オブジェクト、シーン)を通じてアクションを予測する。 4つのデータセットの実験により、DANCEは競合性能で説明の明確さを大幅に改善することを示した。
論文参考訳（メタデータ） (2025-11-05T18:59:35Z)
SynMotion: Semantic-Visual Adaptation for Motion Customized Video Generation [56.90807453045657]
SynMotion(シンモクション)は、セマンティックガイダンスと視覚適応を併用した動画生成モデルである。意味レベルでは、主観と動きの表現をアンタングルする二項意味理解機構を導入する。視覚レベルでは、効率的なモーションアダプタをトレーニング済みのビデオ生成モデルに統合し、動きの忠実度と時間的コヒーレンスを高める。
論文参考訳（メタデータ） (2025-06-30T10:09:32Z)
SceneAware: Scene-Constrained Pedestrian Trajectory Prediction with LLM-Guided Walkability [3.130722489512822]
SceneAwareは、軌跡予測精度を高めるためにシーン理解を明示的に組み込んだ新しいフレームワークである。我々はTransformerベースのトラジェクトリエンコーダとViTベースのシーンエンコーダを組み合わせることで、時間的ダイナミクスと空間的制約の両方をキャプチャする。本分析は, 各種歩行者運動において, モデルが一貫して良好に動作していることを示す。
論文参考訳（メタデータ） (2025-06-17T03:11:31Z)
C-Drag: Chain-of-Thought Driven Motion Controller for Video Generation [81.4106601222722]
トラジェクティブに基づくモーションコントロールは、制御可能なビデオ生成のための直感的で効率的なアプローチとして登場した。我々はC-Dragという制御可能なビデオ生成のためのチェーン・オブ・ソート型モーションコントローラを提案する。本手法は,物体認識モジュールとChain-of-Thoughtベースの動作推論モジュールを含む。
論文参考訳（メタデータ） (2025-02-27T08:21:03Z)
ReferDINO: Referring Video Object Segmentation with Visual Grounding Foundations [33.74746234704817]
ビデオオブジェクトセグメンテーション(RVOS)は、テキスト記述に基づいて、ビデオ全体を通してターゲットオブジェクトをセグメンテーションすることを目的としている。これは、深い視覚レベルの理解、ピクセルレベルの高密度な予測、時間的推論を含むため、難しい。基礎的な視覚基盤モデルから領域レベルの視覚テキストアライメントを継承するbfReferDINO RVOSを提案する。
論文参考訳（メタデータ） (2025-01-24T16:24:15Z)
Bridging the Gap between Human Motion and Action Semantics via Kinematic Phrases [59.32509533292653]
動作理解は、動作意味論と行動意味論の信頼性の高いマッピングを確立することを目的としている。本研究では,人間の動作の客観的な運動事実を適切な抽象化,解釈可能性,一般性で捉えたキネマティック・フェース(KP)を提案する。 KPに基づいて、動作知識ベースを統一し、動作理解システムを構築することができる。
論文参考訳（メタデータ） (2023-10-06T12:08:15Z)

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。