用于半监督3D动作识别的对抗自监督学习
计算机视觉与模式识别
2020-07-14 v1
摘要
我们考虑此前鲜有探索的半监督3D动作识别问题。其主要挑战在于如何有效地从无标签数据中学习运动表示。自监督学习已被证明在图像域中从无标签数据学习表示方面非常有效。然而，针对3D动作识别的有效自监督方法寥寥无几，且直接将自监督学习应用于半监督学习会面临自监督学习与监督学习任务所学表示之间的不对齐问题。为了解决这些问题，我们提出了对抗自监督学习，这是一种通过邻域关系探索和对抗学习将自监督学习与半监督机制紧密耦合的新颖框架。具体而言，我们设计了一种有效的自监督学习方案，通过探索邻域内的数据关系来提高所学表示在3D动作识别中的判别能力。我们进一步提出了一种对抗正则化，以对齐有标签样本和无标签样本的特征分布。为了证明所提出的ASSL在半监督3D动作识别中的有效性，我们在NTU和N-UCLA数据集上进行了大量实验。结果证实了其在3D动作识别少标签机制下优于SOTA半监督方法的性能。
引用
@article{arxiv.2007.05934,
title = {Adversarial Self-Supervised Learning for Semi-Supervised 3D Action Recognition},
author = {Chenyang Si and Xuecheng Nie and Wei Wang and Liang Wang and Tieniu Tan and Jiashi Feng},
journal= {arXiv preprint arXiv:2007.05934},
year = {2020}
}
备注
Accepted by ECCV2020