論文紹介：Temporal Action Segmentation From Timestamp Supervision
•
0 likes•41 views
Zhe Li, Yazan Abu Farha, Jurgen Gall, "Temporal Action Segmentation From Timestamp Supervision" CVPR2021 https://openaccess.thecvf.com/content/CVPR2021/html/Li_Temporal_Action_Segmentation_From_Timestamp_Supervision_CVPR_2021_paper.html
Recommended
Recommended
More Related Content
More from Toru Tamaki
More from Toru Tamaki (20)
Recently uploaded
Recently uploaded (9)
論文紹介：Temporal Action Segmentation From Timestamp Supervision
- 1. Temporal Action Segmentation From Timestamp Supervision Zhe Li, Yazan Abu Farha, Jurgen Gall CVPR2021 加藤樹（名工大玉木研） 2023/6/8
- 2. 研究概要 nTemoral Action Segmentation (TAS)の教師設定 n従来手法 • フレーム単位のアノテーション • 完全教師あり • コスト大 • Ordered-Listによる弱教師あり学習 • 完全教師あり学習に劣る性能 n提案手法 • Timestampによるアノテーション • コスト小 • 完全教師ありと同等の性能
- 3. 提案手法の概要 nTASへTimestampを導入 nTimestampによるモデル学習手法 • フレーム単位のラベルを生成 • ラベル付きTimestamp • モデルの出力 • アクションの変化を検出 n信頼度損失関数を設定 • Timestampの間隔とモデルの信頼度が反比例 • 間隔が広がると正解ラベルではなくなる可能性
- 4. 関連研究 n完全教師付きTAS • Multi-Stage TCN [Farha and Gall, CVPR2019] • 過剰セグメンテーションに対応 • フレーム単位のアノテーションに依存 n弱教師あり学習TAS • NN-Viterbi [Richard+, CVPR2018] • 推論コスト大，性能良い • Mutual [Sourim+, arXiv2019] • 推論コスト小，性能劣る nAction Recognition • Timestamp [Moltsanti+, CVPR2019] • Trimmed Videoでの分類は高性能 Multi-Stage TCN
- 5. 学習 nAction Segmentationモデルℳを学習 • 入力画像からフレーム単位のラベルを予測 nTimestamp手法はラベル密度低下 • 各フレームに対してℳの出力損失が適用不可 nフレーム単位のラベルを生成 • Timestamp annotationとモデル出力を使用 • 生成されたラベルを損失関数の対象 • 動作境界を検出する必要性
- 6. 動作境界の検出 nTimestamp 𝑡!"#, 𝑡!の間にある境界の時間𝑡$!"# を推定 nTimestamp間の目的関数の最小化 𝑑(. , . )：ユークリッド距離，ℎ!：時刻tの最終層出力，𝑐"：𝑡"と ̂ 𝑡の出力の平均
- 8. 損失関数 n分類損失 • クロスエントロピー損失を採用 • ：：時刻tにおける行動aの確率 • フレームで独立 • 過剰セグメンテーションの懸念 n平滑化損失 n信頼度損失 • 𝑡"から離れて増加した予測に対し罰 n最終的な損失 T：動画時間 C：クラス数
- 9. 実験設定 nデータセット • 50Salads [Stein&McKenna, UbiComp13] • Breakfast [Kuehne+, CVPR2014] • BEOID [Damen+, BMVC2014] • GTEA [Fathi+, CVPR2011] n詳細設定 • モデル：MS-TCN [Farha and Gall, CVPR2019] • オプティマイザー：Adam • 特徴表現：I3D • 学習：50epoch • 30epochラベル付きTimestamp • 20epochは生成したラベル • 学習率：5.0×10#$ • バッチサイズ：8 • ハイパーパラメータ：𝜏 = 4, 𝛼 = 0.15, 𝛽 = 0.075 n評価指標 • フレーム単位の正確さ（Acc） • セグメント単位の編集距離（Edit） • セグメント単位のF1-Score • 閾値{10%, 25%, 50%} nベースライン • Naiveベースライン • アノテーションされたTimestampのみ 損失計算 • フレーム単位のラベル生成無し • Uniformベースライン • Timestamp間でラベルの変化を仮定 • フレーム単位のラベル生成有り
- 10. ベースライン比較 nNaiveベースライン • フレーム単位の精度良い • F1とEditが低い • 過剰セグメンテーション nUniformベースライン • フレーム単位の精度低い • 誤ったラベル生成を使用 • F1とEditが高い n提案手法 • 優れたラベル生成 • F1とEditともに高い • 完全教師ありと同等の性能
- 11. 損失関数の影響 n組み合わせの影響 • 信頼度損失の導入で精度向上 • 分類損失との組み合わせでより向上 n信頼度損失の影響 • セグメント内フレームで高い信頼度 • 信頼度の高い異常値フレームを抑制
- 12. 他タスクとの比較 nAction Recognition • Timestamp [Moltisanti+,CVPR2019] • バックボーンを提案モデルℳに置換 • Recognitionはtrimmed video前提 • 他を大きく上回る性能 nAction Localization • SF-Net [Ma+, ECCV2020] • 異なる閾値で平均精度の比較 • SF-Netを上回る性能 50Salads Dataset
- 13. まとめ nTimestampを用いたAction Segmentation • モデルの予測値とTimestampラベル利用 • 動作境界を検出 • モデルに依存せず，他のモデルに適用可能 n信頼度損失の導入 • セグメント内のフレームに対して高い信頼値を担保 • 外れ値のフレームを抑制
- 14. 補足スライド
- 15. その他の影響 nセグメンテーションモデル • モデルに依存せず高性能 nハイパーパラメータ • 0.05 ≤ 𝛽 ≤ 0.1 で性能発揮
- 16. Action Recognition他のデータセット nBreakfast Dataset nGTEA Dataset