面向开集视频域适应的条件极值理论

随着媒体流的发展，视频动作识别在各种应用中变得愈发重要，但代价是需要大规模数据标注。为克服数据标注昂贵的问题，人们提出了域适应技术，将知识从完全标注的数据（即源域）迁移到未标注的数据（即目标域）。大多数视频域适应算法针对闭集场景提出，其中所有类别在域间共享。在本文中，我们提出一种开集视频域适应方法，以缓解源域与目标域之间的域差异，允许目标域包含不属于源域的额外类别。与以往仅关注提升共享类别准确率的工作不同，我们旨在联合增强共享类别的对齐与未知样本的识别。为此，应用类条件极值理论来增强未知识别。具体而言，将目标样本的熵值建模为广义极值分布，从而能够分离位于分布尾部的未知样本。为缓解负迁移问题，在对抗学习中利用由样本熵到阈值的距离计算的权重，使置信的源域和目标域样本对齐，非置信样本被推离。所提方法已在小规模和大规模跨域视频数据集上进行了充分评估，并取得了最先进的性能。