초록
행동 품질 평가(AQA) 작업의 성능은 행동과 그 품질에 대한 설명을 활용하여 개선될 수 있을까요? 현재 AQA 및 기술 평가 접근 방식은 단일 작업, 즉 최종 점수를 추정하는 데만 사용되는 특징을 학습하는 것을 제안합니다. 본 논문에서는 미세한 행동 인식, 해설 생성, 그리고 AQA 점수 추정이라는 세 가지 관련 작업을 설명하는 시공간 특징을 학습하는 방법을 제안합니다. 또한, 이 접근 방식을 평가하기 위해 1412개의 다이빙 샘플로 구성된 가장 큰 멀티태스크-AQA 데이터셋을 수집했습니다(https://github.com/ParitoshParmar/MTL-AQA). 우리는 C3D-AVG와 MSCADC라는 두 가지 다른 아키텍처를 사용하여 MTL 접근 방식이 STL 접근 방식보다 우수한 성능을 보임을 입증하였습니다. C3D-AVG-MTL 접근 방식은 순위 상관관계 90.44%로 새로운 최고 수준의 성능을 달성하였습니다. 상세한 실험을 통해 MTL이 STL보다 더 나은 일반화 능력을 제공하며, 행동 인식 모델에서 얻은 표현만으로는 AQA 작업에 충분하지 않으므로 학습되어야 함을 보여주었습니다.