SIAVC：面向工业事故视频分类的半监督框架
计算与语言
2024-05-24 v1 人工智能
计算工程、金融与科学
机器学习
摘要
半监督学习在视频监控场景中面临标签数据与未标签数据不平衡的问题。本文提出一种新的半监督方法，称为 SIAVC，用于工业事故视频分类。具体而言，我们设计了一个称为 Super Augmentation Block（SAB）的视频数据增强模块。SAB 根据未标记数据上的历史损失为模型优化添加高斯噪声并随机遮蔽视频帧。然后，我们提出了一个视频跨集合数据增强模块（VCAM），用于从高置信度的未标记样本中生成多样化的伪标签样本，以缓解采样经验的不匹配并提供高质量的训练数据。此外，我们构建了一个以帧级标注为特征的新的工业事故监控视频数据集，称为 ECA9，用于评估所提方法。与基于最新半监督学习方法相比，SIAVC 在 ECA9 和 Fire Detection 数据集上分别实现了 88.76% 和 89.13% 的分类准确率。源代码和构建的数据集 ECA9 将发布于 \url{https://github.com/AlchemyEmperor/SIAVC}。
引用
@article{arxiv.2405.14505,
title = {Explainable automatic industrial carbon footprint estimation from bank transaction classification using natural language processing},
author = {Jaime González-González and Silvia García-Méndez and Francisco de Arriba-Pérez and Francisco J. González-Castaño and Óscar Barba-Seara},
journal= {arXiv preprint arXiv:2405.14505},
year = {2024}
}