文献

J-GLOBAL ID：202002235586644225   整理番号：20A2028212

弱教師付き時間行動位置決めのための敵対的シード配列成長【JST・京大機械翻訳】

Adversarial Seeded Sequence Growing for Weakly-Supervised Temporal Action Localization

著者 (7件)： Zhang Chengwei (Shanghai Jiao Tong University, Shanghai, China) ,  Xu Yunlu (Hikvision Research Institute, Shanghai, China) ,  Cheng Zhanzhan (Hikvision Research Institute & Zhejiang University, Shanghai, China) ,  Niu Yi (Hikvision Research Institute, Shanghai, China) ,  Pu Shiliang (Hikvision Research Institute, Hangzhou, China) ,  Wu Fei (Zhejiang University, Hangzhou, China) ,  Zou Futai (Shanghai Jiao Tong University, Shanghai, China)
資料名： ACM Proceedings  (ACM Proceedings)
号： MM ’19  ページ： 738-746  発行年： 2019年 
JST資料番号： D0698C  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 時間的行動局所化は,その様々な応用のため,重要だが挑戦的な研究題目である。非トリミングビデオのフレームレベルまたはセグメントレベルアノテーションは,労働支出量を必要とするので,弱く監督された行動検出に関する研究が,春化されている。しかしながら,既存のフレームワークの大部分は,行動の最も識別的な部分を利用するが,マイナーな領域を無視するビデオレベル分類損失を最小化することにより,行動を局所化するためのクラス活性化シーケンス(CAS)に依存している。本論文では,そのようなデメリットを除去するための2つのモジュールの敵対学習による新しい弱教師つきフレームワークを提案した。特に,第1モジュールは,シード領域(すなわちCASベースフレームワークにより初期化された高信頼領域)をそれらの予想境界に拡張するために,良く設計されたシード配列成長(SSG)ネットワークとして設計されている。第2のモジュールは,SSGによって活性化されたシード領域を消去した後に共有された特徴で訓練された自明または不完全な行動領域をマイニングするための特定の分類器である。この方法で,これら2つのモジュールから成る全ネットワークを敵対的に訓練できる。広告の目標は,行動分類器にとって難しい特徴をマイニングすることである。すなわち,SSGからの消去は,分類器が入力特徴シーケンス上でマイナーなあるいは新しい行動領域を発見するのに力を与えるであろう,そして,分類装置は種子を交互に成長させ,交互に成長させるであろう。最後に,よく訓練されたSSGと分類器から行動位置とカテゴリーを得ることができた。2つの公開ベンチマークTHUMOS’14と活性Net1.3に関する大規模な実験は,最先端技術と比較して著者らの提案方法の印象的な性能を示した。Please refer to this article’s citation page on the publisher website for specific rights information. Translated from English into Japanese by JST.【JST・京大機械翻訳】

シソーラス用語： 学習 ,  ネットワーク ,  分類装置 ,  位置決め ,  マイナ ,  *録画装置 ,  バーナリゼーション ,  ベンチマーク ,  アノテーション
準シソーラス用語： 分類会計機 ,  局在化 , 【Automatic Indexing@JST】

著者キーワード (3件)： 時間的行動局在 ,  ビデオ理解 ,  弱監視

分類 (2件)： 人工知能  (JE08000Z) ,  パターン認識  (JE07000S)

タイトルに関連する用語 (4件)： 教師 ,  行動 ,  敵対 ,  成長