学习因果域不变时间动态用于少样本动作识别
计算机视觉与模式识别
2024-06-06 v2
摘要
少样本动作识别旨在仅使用少量样本，使预训练模型快速适应存在分布偏移的新数据。主要挑战包括如何识别并利用预训练模型学习到的可迁移知识。因此，我们提出了CDTD，即用于知识迁移的因果域不变时间动态。为了识别时间不变和时间变化的表示，我们采用因果表示学习方法进行无监督预训练，然后在下一阶段利用监督信息微调分类器。具体而言，我们假设域信息可以被很好地估计，且预训练的图像解码器和转换模型可以被很好地迁移。在适应阶段，我们固定可迁移的时间动态，并更新图像编码器和域估计器。CDTD在标准少样本动作识别数据集上的准确率优于领先的替代方法，证明了我们方法的有效性。
引用
@article{arxiv.2402.12706,
title = {Learning Causal Domain-Invariant Temporal Dynamics for Few-Shot Action Recognition},
author = {Yuke Li and Guangyi Chen and Ben Abramowitz and Stefano Anzellott and Donglai Wei},
journal= {arXiv preprint arXiv:2402.12706},
year = {2024}
}