Few-Shot Temporal Action Localization with Query Adaptive Transformer 少ショット時系列アクション局所化とクエリ適応変換器

既存の時系列アクションローカライゼーション（TAL）手法は、大量の訓練用ビデオと網羅的なセグメントレベルのアノテーションに依存しており、新しいクラスへの拡張を妨げています。この問題の解決策として、少ショットTAL（FS-TAL）は、単一のビデオでも新しいクラスに対応するモデルを適応させることが目指されています。既存のFS-TAL手法では、新しいクラスの訓練用ビデオがトリミングされていることを前提としていますが、この設定は現実的ではなく、通常アクションはトリミングされていないビデオで捉えられます。また、背景のビデオセグメントには前景アクションのセグメンテーションに重要なコンテキスト情報が含まれているにもかかわらず、それらが無視されるという問題があります。本研究ではまず、トリミングされていない訓練用ビデオを使用する新たなFS-TAL設定を提案します。さらに、訓練クラスからの知識転送を最大化しつつ、モデルが新しいクラスとそのクラス内の各ビデオに対して同時に動的に適応できるようにする新規なFS-TALモデルを提案します。これはモデル内にクエリ適応型トランスフォーマー（query adaptive Transformer）を導入することで達成されます。2つのアクションローカライゼーションベンチマークにおける広範な実験により、当方法が単一ドメインおよびクロスドメインシナリオにおいて全ての最先端手法よりも著しく優れていることが示されました。ソースコードは https://github.com/sauradip/fewshotQAT で入手可能です。