要約
アクション品質評価（AQA）のタスクにおけるパフォーマンスは、アクションとその品質の説明を活用することで向上するでしょうか？現在のAQAやスキル評価手法では、最終的なスコアを推定するためだけに特徴量を学習することが提案されています。本論文では、細かいアクション認識、解説生成、およびAQAスコアの推定という3つの関連タスクを説明する空間時系列特徴量を学習することを提案します。当該手法の評価のために、これまでで最大規模となる1412件のダイビングサンプルからなる新しいマルチタスク-AQAデータセットが収集されました（https://github.com/ParitoshParmar/MTL-AQA）。我々はC3D-AVGとMSCADCという2種類の異なるアーキテクチャを使用して、MTLアプローチがSTLアプローチを上回ることを示しました。C3D-AVG-MTLアプローチは順位相関係数90.44%で新たな最先端性能を達成しています。詳細な実験を通じて、MTLがSTLよりも優れた汎化能力を持つことを示し、アクション認識モデルからの表現だけではAQAタスクには十分ではなく、新たに学習すべきであることも明らかにしました。