불확실성 인지 점수 분포 학습을 통한 행동 품질 평가

최근 몇 년 동안 비디오에서 행동 품질을 평가하는 것이 점점 더 많은 관심을 받고 있습니다. 기존의 대부분 접근 방식은 회귀 알고리즘을 기반으로 이 문제를 해결하려고 하며, 여러 심판이나 주관적인 평가로 인해 점수 라벨에 내재된 모호성을 무시합니다. 이러한 문제를 해결하기 위해, 우리는 불확실성 인지 점수 분포 학습(Uncertainty-Aware Score Distribution Learning, USDL) 방법을 제안하여 행동 품질 평가(Action Quality Assessment, AQA)를 수행합니다. 구체적으로, 우리는 행동을 점수 분포와 관련된 사례로 간주하며, 이는 다양한 평가 점수의 확률을 설명합니다. 더욱이, 세부적인 점수 라벨(예: 행동의 난이도 또는 여러 심판으로부터의 여러 점수)이 제공되는 상황에서는 불확실성 인지 다중 경로 점수 분포 학습(Multi-Path Uncertainty-Aware Score Distributions Learning, MUSDL) 방법을 추가로 설계하여 점수의 분리된 구성 요소를 탐색합니다. 우리는 다양한 올림픽 행동과 수술 활동을 포함하는 세 개의 AQA 데이터셋에서 실험을 수행하였으며, 우리의 접근 방식은 Spearman 순위 상관계수(Spearman's Rank Correlation) 측면에서 새로운 최신 기술(state-of-the-art)을 설정하였습니다.