用于弱监督学习的边缘化平均注意力网络
计算机视觉与模式识别
2019-05-22 v1
摘要
在弱监督时序动作定位中，由于对最显著区域的过高估计，以往工作未能为每个完整动作定位出密集且整体的区域。为缓解此问题，我们提出一种边缘化平均注意力网络（MAAN），以原则性方式抑制最显著区域的主导响应。MAAN采用一种新颖的边缘化平均聚合（MAA）模块，并以端到端方式学习一组潜在判别概率。MAA根据一组潜在判别概率从视频片段特征中采样多个子集，并对所有平均子集特征取期望。理论上，我们证明带有所学潜在判别概率的MAA模块成功减小了最显著区域与其他区域间响应的差异。因此，MAAN能够生成更好的类激活序列，并识别视频中密集且整体的动作区域。此外，我们提出一种快速算法，将构建MAA的复杂度从O()降至O()。在两个大规模视频数据集上的大量实验表明，我们的MAAN在弱监督时序动作定位上取得了优越性能。
引用
@article{arxiv.1905.08586,
title = {Marginalized Average Attentional Network for Weakly-Supervised Learning},
author = {Yuan Yuan and Yueming Lyu and Xi Shen and Ivor W. Tsang and Dit-Yan Yeung},
journal= {arXiv preprint arXiv:1905.08586},
year = {2019}
}