論文紹介：Temporal Action Segmentation: An Analysis of Modern Techniques
•
0 likes•579 views
Guodong Ding, Fadime Sener, Angela Yao, "Temporal Action Segmentation: An Analysis of Modern Techniques" arXiv2022 https://arxiv.org/abs/2210.10352
Recommended
More Related Content
What's hot
What's hot (20)
Similar to 論文紹介：Temporal Action Segmentation: An Analysis of Modern Techniques
Similar to 論文紹介：Temporal Action Segmentation: An Analysis of Modern Techniques (20)
More from Toru Tamaki
More from Toru Tamaki (20)
Recently uploaded
Recently uploaded (15)
論文紹介：Temporal Action Segmentation: An Analysis of Modern Techniques
- 1. Temporal Action Segmentation: An Analysis of Modern Techniques Guodong Ding, Fadime Sener, and Angela Yao arXiv2022 加藤樹，神谷広大（名工大玉木研） 2023/5/11
- 2. Introduction nTemporal Action Segmentation(TAS) • Untrimmed videoを時間的に分割 • 各セグメントはaction labelによってラベル付け • action labelはあらかじめ定義された領域から決定 n連続的な情報が必要 • 識別可能なフレームレベルの表現 • 長距離の時間的モデリング セグメント
- 3. Research
- 4. Task Description n入力：𝑥 = (𝑥!, 𝑥", … , 𝑥#) • 長さ𝑇でNアクションを持つビデオ nセグメント単位による出力：𝑆!:% = (𝑠!, 𝑠", … , 𝑠%) • ここで，𝑠! = (𝑐!, 𝑙!) • 𝑙!：セグメントの長さ • 𝑐!：アクションラベル • アクションの順序予測の研究で頻繁に使用 nフレーム単位による出力：𝑦!:# = (𝑦!, 𝑦", … , 𝑦#) • 𝑦"：フレームレベルのアクションラベル • 深層学習ベースの手法で頻繁に使用
- 5. Related Task nTemporal Action Detection / Localization (TAD/L) • アクションの開始と終了を検出し，ラベル付け nSequence Segmentation (SS) • 個々のシーケンスをセグメンテーション • オーディオ信号，モーションキャプチャで主流
- 6. Datasets nTASで使用されるデータセット • アクションの開始と終了の境界線がある • アクションラベルがアノテーションされている n50Salads [Stein&McKenna, UbiComp13] • 人間がサラダを作る50本の動画 • 作業面を上から見下ろす視点
- 7. Datasets Comparison n反復スコア：r(0 ≤ 𝑟 ≤ 1) • 0：シーケンス内で繰り返しが少ない • 1：シーケンス内で繰り返しが多い n順序変動スコア：v(0 ≤ 𝑣 ≤ 1) • 0：アクション間の関係が容易に入れ替え可能 • 1：アクションが厳密な順序に従う ：ユニークなアクション数 ：アクションの総数 ：R, G間の正規化平均編集距離
- 8. Supervision Type nFully-Supervised（完全教師あり） • 各フレームに対し，密なラベル有り．ロード時間多い． nSemi-Supervised（半教師あり） • ラベル有りと無しに分ける． nWeak-Supervised（弱教師あり） • フレームごとにアノテーションはしない． nUnsupervised（教師なし） • アクションラベル，動作境界情報，テキストデータ不要
- 9. Evaluation Measures nフレーム単位の評価 • Means of Frames(MoF) = 正しく予測したフレーム数 全フレーム数 • 欠点 • アクションフレームの偏りに影響される • セグメンテーションの質を反映できない nセグメント単位の評価 • F1スコア＝2 , #$%&'(')! ∗$%&+,, #$%&'(')!-$%&+,, • 𝑅𝑒𝑐𝑎𝑙𝑙と𝑃𝑟𝑒𝑐𝑖𝑠𝑖𝑜𝑛の調和平均で求める • 閾値𝜏でセグメントを評価 • 編集距離 Edit-Score [Lea+, ECCV2016] • セグメント順序のみの正確さを表す
- 10. Frame-wise Representation nIDT(Improved Dense Trajectories) • 動作認識や映像理解に使用される手作業による特徴量抽出 nI3D(Inflated 3D ConvNet) • ビデオ理解のための特徴量抽出をするアーキテクチャ • Kinetics[Kay+, arXiv2017]による事前学習 n視覚的埋め込み(Visual Embedding) • フレーム予測学習タスクで使用 • 時刻𝑡の特徴入力に基づいて，𝑡 + 𝑠の特徴を予測 n時間的埋め込み(Temporal Embedding) • アクションとその順序を見つけるために使用
- 11. Temporal Modeling nフレーム単位での時間的モデリング • ネットワークの時間的受容野を拡大 • 特徴表現における動的な動きを集約させる • 事前学習されたフレーム単位の特徴はAction Recognition用 n動作境界情報の正確さ • 行動遷移中の曖昧さを学習するモデルで重要 nモデリングに対する取り組み • Recurrent Neural Networks (RNNs) • 順序に沿う共有パラメータで時系列を捉える • フレーム間の依存関係で，並列処理に限界 • Temporal Convolutional Networks (TCNs) • Transformer
- 12. TCNs and Transformer nTCNs • (a)Encoder-Decoder TCN [Lea+, CVPR2017] • U-Net方式で層ごとにPoolingとUpsampling • 時間分解機能を縮小し，拡大 • 計算コスト小，境界情報損失の可能性 • (b)Multi-Stage TCN [Farha&Gall, CVPR2019] • 徐々に畳み込みを大きくして拡大 • 時間分解機能は一定 • 計算コスト大，境界情報保持 nTransformer • Encoder • フレーム間でSelf-Attention(SA) • Decoder • 各層でCross-Attention(CA) • TASでの使用はまだ限定的
- 13. Fully-Supervised Approaches nRepresentation Learning • Bi-LSTM [Singh+, CVPR2016] • 特徴を双方向LSTMに入力してラベル予測 • TempAgg [Sener+, ECCV2020] • 現在の観測を長距離の観測に関連 nImproving Existing Archtecture • SSTDA+MS-TCN [Hung+, CVPR2020] • 自己教師モデルで，不要なラベル使用無し • BCN+MS-TCN [Wang+, ECCV2020] • 境界問題と過剰セグメンテーションへ対応 • C2F-TCN [Singhania+, arXiv2021] • 復号化層のアンサンブルを持つ
- 14. Performance of Fully-Supervised Rep:Representation Learning， Impro:Improving exisiting archtecture，TF:Transformer
- 15. Weakly-Supervised Approaches nTranscripts • ビデオ内とその時系列順序を付与 • アノテーションコストの大幅削減 • Two-stage • TASL [Lu and Elhamifar, ICCV2021] • Single-stage • NN-Viterbi [Richard+, CVPR2018] • CDFL [Lei and Todorovic, ICCV2019] nAction Set • アクションの集合のみ • 時系列，頻度，順序の情報無し • SCT [Fayyaz and Gall, CVPR2020] • ACV [Li and Todorovic, CVPR2021] nTimestamps Annotation • 特定の時間だけラベル付け • Timestamps [Li+, CVPR2021] nComplex Activity • アクションレベルの情報無し • CAD [Ding and Yao, TMM2022]
- 16. Performance of Weakly-Supervised Transcript + Two-Stage Transcript + Single-Stage Action Set Timestamps Annotation Complex Activity
- 17. Unsupervised Approaches nTwo-Stage Learning • 二つのステップを繰り返す • フレームクラスタ推定 • フレーム表現学習 • JVT [VidalMata+, WACV2021] nSelf-Supervised Learning • 自己教師学習ベースの表現学習 • ASAL [Li and Todorovic, CVPR2021] nSingle-Stage Learning • 動作境界の変化に応じたセグメント だけ行う • UDE [Swetha+, arXiv2021]
- 18. Performance of Unsupervised nDeviations,Missing,Repetitionsの柔軟性の評価 SS : Self-Supervised Learning
- 19. Semi-Supervised Approaches nSemiTAS [Ding&Yao, ECCV2022] • 二つの損失関数を設定 • アクション親和性損失 • アクション連続性損失 nICC [Singhania+, arXiv2021] • 対照学習により新しい特徴表現セットを学習 • 40%のラベル付けで，完全教師ありと同等の性能 CA：Complex Activity D%：ラベル付けの比率
- 20. Conclution nTASの技術の概要の説明，評価比較 • TASは急成長している分野 nまだ未開拓領域が多い • 行動の逐次モデリングで特徴学習に依存することが多い • 編集スコアなどの研究が少ない • セグメントレベルでのモデリング • 既存：フレーム単位での予測 • 理想：セグメントレベルでの予測 n欠落したアクションの扱い • 行動境界の不確実性は性能に大きな影響 • 境界の定義/ラベル付けの検討が必要