日本フィジカルAI新聞

世界のフィジカルAIを、日本語で。

行動セグメンテーションarXiv:2506.09650

HopaDIFF: 多人数シーンにおける参照人物行動セグメンテーションのための全体・部分認識フーリエ条件拡散モデル

HopaDIFF: Holistic-Partial Aware Fourier Conditioned Diffusion for Referring Human Action Segmentation in Multi-Person Scenarios

シェア:XThreadsFacebookLINEはてブBluesky

テキスト記述で指定した人物の行動を多人数動画から切り分ける新タスクを提案し、133本の映画からなるデータセットRHAS133と、全体・部分の長距離推論とフーリエ条件を組み合わせた拡散モデルHopaDIFFを構築した。

詳しい要約

1. どんなもの?

- 本論文は、マルチパーソン動画におけるテキスト参照誘導型の行動セグメンテーションという新しいタスクを開拓する。 - テキスト記述が対象人物を指定し、その人物の行動を分割・ラベル付けする。 - 新データセット RHAS133 を構築(133 映画、137 細粒度行動、33 時間、テキスト記述付き)。 - 既存手法のベンチマークと、新手法 HopaDIFF を提案する。

2. 先行研究と比べてどこがすごい?

- 既存研究は主に単一人物・固定行動系列を扱い、マルチパーソン状況を無視していた。 - 本論文はテキスト参照誘導型行動セグメンテーションをマルチパーソン設定で初めて導入。 - RHAS133 はこの新タスクのための最初のデータセット。 - VLM ベース特徴抽出器を用いた既存手法のベンチマークでは性能が限定的で、対象人物の視覚手がかりの集約が不十分であることを示した。

3. 技術・手法の肝は?

- HopaDIFF は holistic-partial aware Fourier-conditioned diffusion framework。 - cross-input gate attentional xLSTM を導入し、holistic-partial な長距離推論を強化。 - Fourier condition を導入し、行動セグメンテーション生成をより細粒度に制御。 - 拡散モデルに Fourier 条件付けを組み込む点が肝。

4. どうやって有効だと検証した?

- RHAS133 上で多様な評価設定において HopaDIFF が state-of-the-art を達成。 - 既存行動セグメンテーション手法を VLM ベース特徴抽出器でベンチマークし、性能限界を明らかにした。 - 詳細な評価プロトコルは要旨からは不明。

5. 議論はある?

- マルチパーソン設定でのテキスト参照誘導型行動セグメンテーションの有効性を示す。 - 既存手法の視覚手がかり集約の弱さを指摘し、HopaDIFF の改善を議論。 - 限界や今後の課題についての具体的な議論は要旨からは不明。

6. 次に読むべき論文は?

- 要旨で直接参照されている研究は明示されていないが、関連手法として VLM-based feature extractors や既存 action segmentation 手法(例:MS-TCN, ASFormer など)が比較対象として考えられる。 - また、diffusion models や xLSTM に関する論文も関連深い。 - 同分野の定番として action segmentation のサーベイ論文や Transformer ベース手法を次に読むべき。

※ AIが要旨から生成した要約です。正確性は原文をご確認ください。

著者: Kunyu Peng, Junchao Huang, Xiangsheng Huang, Di Wen, Junwei Zheng, Yufan Chen, Kailun Yang, Jiamin Wu, Chongqing Hao, Rainer Stiefelhagen

分類: cs.CV, cs.LG, cs.MM, cs.RO, eess.IV

原文アブストラクト

Action segmentation is a core challenge in high-level video understanding, aiming to partition untrimmed videos into segments and assign each a label from a predefined action set. Existing methods primarily address single-person activities with fixed action sequences, overlooking multi-person scenarios. In this work, we pioneer textual reference-guided human action segmentation in multi-person settings, where a textual description specifies the target person for segmentation. We introduce the first dataset for Referring Human Action Segmentation, i.e., RHAS133, built from 133 movies and annotated with 137 fine-grained actions with 33h video data, together with textual descriptions for this new task. Benchmarking existing action segmentation methods on RHAS133 using VLM-based feature extractors reveals limited performance and poor aggregation of visual cues for the target person. To address this, we propose a holistic-partial aware Fourier-conditioned diffusion framework, i.e., HopaDIFF, leveraging a novel cross-input gate attentional xLSTM to enhance holistic-partial long-range reasoning and a novel Fourier condition to introduce more fine-grained control to improve the action segmentation generation. HopaDIFF achieves state-of-the-art results on RHAS133 in diverse evaluation settings. The dataset and code are available at https://github.com/KPeng9510/HopaDIFF.

関連論文

  1. 1Boston Dynamics、車輪付きAtlasの研究試作機を紹介研究・技術
  2. 2GXOとApptronik、Apolloの物流現場試験を拡大 最大1,000台の展開を構想量産・展開
  3. 3newmoとKDDIが資本業務提携 2028年に堺市で自動運転タクシー商用化目指す提携・買収
  4. 4NVIDIA、CoRLでGR00T 2とIsaac Lab 3.0を発表新製品・発表
  5. 5UC BerkeleyとNVIDIAの研究者、AIエージェントでロボット制御コードを仮想環境で改善研究・技術

PR・アフィリエイト広告

FRONTIER(GPU搭載BTOパソコン)

FRONTIER(GPU搭載BTOパソコン)の公式広告バナーFRONTIERでGPU搭載PCを見る ↗
PR本紙発行元 EmplifAI