要約
Road++ Track3 は、交通シナリオにおけるマルチラベルのアトミック アクティビティ認識タスクを提案します。これは、64 クラスのマルチラベル ビデオ アクション認識タスクとして標準化できます。
マルチラベル原子活動認識タスクでは、視覚的特徴抽出の堅牢性が依然として重要な課題であり、これはモデルのパフォーマンスと汎化能力に直接影響します。
これらの問題に対処するために、私たちのチームはデータ処理、モデル、後処理という 3 つの側面を最適化しました。
まず、適切な解像度とビデオ サンプリング戦略が選択され、固定のサンプリング戦略が検証セットとテスト セットに設定されます。
次に、モデルのトレーニングに関して、チームは特徴抽出用にさまざまなビジュアル バックボーン ネットワークを選択し、トレーニング セットと検証セットでトレーニングされ、テスト セットで推論されるアクション スロット モデルを導入します。
最後に、後処理として、チームはさまざまなモデルの長所と短所を組み合わせて加重融合を行い、テスト セットの最終的な mAP は 58% となり、チャレンジのベースラインより 4% 高くなりました。
要約(オリジナル)
Road++ Track3 proposes a multi-label atomic activity recognition task in traffic scenarios, which can be standardized as a 64-class multi-label video action recognition task. In the multi-label atomic activity recognition task, the robustness of visual feature extraction remains a key challenge, which directly affects the model performance and generalization ability. To cope with these issues, our team optimized three aspects: data processing, model and post-processing. Firstly, the appropriate resolution and video sampling strategy are selected, and a fixed sampling strategy is set on the validation and test sets. Secondly, in terms of model training, the team selects a variety of visual backbone networks for feature extraction, and then introduces the action-slot model, which is trained on the training and validation sets, and reasoned on the test set. Finally, for post-processing, the team combined the strengths and weaknesses of different models for weighted fusion, and the final mAP on the test set was 58%, which is 4% higher than the challenge baseline.
arxiv情報
| 著者 | Jiamin Cao,Lingqi Wang,Kexin Zhang,Yuting Yang,Licheng Jiao,Yuwei Guo |
| 発行日 | 2024-10-21 14:10:14+00:00 |
| arxivサイト | arxiv_id(pdf) |
提供元, 利用サービス
arxiv.jp, Google