Unsicherheitsbewusstes Lernen der Punkteverteilung für die Bewertung der Aktionenqualität

Die Bewertung der Aktionen aus Videos hat in den letzten Jahren zunehmend an Bedeutung gewonnen. Die meisten bestehenden Ansätze lösen dieses Problem in der Regel mit Hilfe von Regressionsalgorithmen, die die inhärente Unschärfe in den Punktebewertungen ignorieren, die durch mehrere Richter oder deren subjektive Einschätzungen verursacht wird. Um dieses Problem zu adressieren, schlagen wir einen Ansatz des unsicherheitsbewussten Scoreverteilungslernens (USDL) für die Aktionenqualitätsbewertung (AQA) vor. Insbesondere betrachten wir eine Aktion als ein Ereignis, das mit einer Punkteverteilung assoziiert ist, welche die Wahrscheinlichkeit verschiedener bewerteter Punktzahlen beschreibt. Darüber hinaus entwickeln wir unter den Bedingungen, dass feingranulare Punktebewertungen verfügbar sind (z.B. Schwierigkeitsgrad einer Aktion oder mehrere Punktzahlen von verschiedenen Richtern), eine Mehrgeweg-Unsicherheitsbewusstes Scoreverteilungslernen-Methode (MUSDL), um die entkoppelten Komponenten einer Punktzahl zu erforschen. Wir führen Experimente auf drei AQA-Datensätzen durch, die verschiedene olympische Aktionen und chirurgische Aktivitäten enthalten, bei denen unsere Ansätze unter der Spearman-Rangkorrelation neue Standarts aufstellen.