Kernkonzepte
継続的行動評価(Continual-AQA)では、新しいタスクを順次学習する際に、既学習タスクの知識を忘れないようにすることが重要である。本研究では、タスク一貫性のある得点識別的特徴分布を順次学習することで、この問題に取り組む。具体的には、特徴-得点相関を意識したリハーサルと、一般的および特定的知識を学習・分離するグラフモジュールを提案する。
Zusammenfassung
本研究は、行動評価(Action Quality Assessment: AQA)タスクにおける継続学習(Continual Learning: CL)の問題に取り組んでいる。従来のAQAモデルは、一度に全てのトレーニングデータが利用可能であることを前提としていたが、実際には新しい行動タイプを順次学習する必要がある。
本研究の提案手法は以下の2つの観点から構成される:
Feature-Score Correlation-Aware Rehearsal (FSCAR):
得点レベルを考慮したグループ化サンプリング(Grouping Sampling)により、過去タスクのデータから代表的なサンプルを選択する。
特徴と得点の相関を考慮した特徴-得点共同増強(Feature-Score co-Augmentation)により、過去データの特徴分布を適切に保持する。
特徴の差分モデリングに基づく損失関数を導入し、過去と現在の特徴分布の整合性を保つ。
Action General-Specific Graph (AGSG):
行動の一般的な知識と特定的な知識を分離して学習するグラフモジュールを導入する。
これにより、タスク間で一貫性のある得点識別的特徴を抽出することができる。
実験の結果、提案手法は従来手法と比較して、平均性能の向上と忘却の抑制において優れた性能を示すことが確認された。
Statistiken
継続学習時の平均性能(AP)が向上した。
過去タスクの性能低下(Negative Backward Transfer: NBT)が抑制された。
最大の性能低下(Maximum Forgetting: MF)が抑制された。