Que signifie "TDSM"?
Table des matières
TDSM est une méthode utilisée pour reconnaître des actions basées sur des données de squelette tout en gérant des situations où les actions n'ont jamais été vues auparavant. L'idée principale derrière TDSM, c'est de faire correspondre les caractéristiques des données de squelette avec des descriptions textuelles des actions. Ça aide le système à prédire des nouvelles actions avec précision.
Les méthodes traditionnelles avaient du mal parce que les données de squelette et les données textuelles ne s'alignent pas facilement, ce qui rend l'apprentissage efficace difficile. TDSM s'inspire de la façon dont certains modèles de texte à image fonctionnent et se concentre sur l'amélioration du processus d'entraînement. Au lieu de générer de nouvelles données, il aligne les caractéristiques du squelette avec les descriptions textuelles pendant l'entraînement.
Pour renforcer le processus de correspondance, TDSM utilise une technique spéciale appelée perte de diffusion triplet. Ça aide à s'assurer que les bonnes correspondances entre le squelette et le texte sont plus proches, tandis que les incorrectes sont éloignées. En conséquence, TDSM montre de meilleures performances que les méthodes actuelles, lui permettant de faire des prédictions plus précises dans des situations où il rencontre de nouvelles actions.
Modèles de diffusion robustes au bruit d'étiquetage
Former des modèles pour générer des données nécessite souvent de grands ensembles de données, qui peuvent inclure des informations bruyantes ou incorrectes. Ce bruit peut nuire à la qualité des données générées et les rendre moins fiables.
Pour résoudre ce problème, une nouvelle approche appelée TDSM est introduite. Cette méthode se concentre sur la formation de ces modèles d'une manière qui gère le bruit présent dans l'ensemble de données. Elle combine différentes méthodes de scoring et prend en compte comment les étiquettes peuvent changer avec le temps. En personnalisant le processus pour tenir compte de ces facteurs de bruit, TDSM améliore la qualité des sorties générées.
À travers des tests sur différents ensembles de données, TDSM a montré qu'il pouvait produire de meilleurs échantillons qui s'alignent plus étroitement avec les conditions prévues. Cette méthode démontre aussi de meilleures performances par rapport aux méthodes standard de correction des étiquettes bruyantes, prouvant qu'elle est une stratégie efficace pour former des modèles en présence de bruit.