Shuffle and Learn：基于时序顺序验证的无监督学习
计算机视觉与模式识别
2016-07-27 v2 人工智能
机器学习
摘要
在本文中，我们提出了一种从视频中原始时空信号学习视觉表示的方法。我们的表示是在没有语义标签监督的情况下学习的。我们将方法表述为一个无监督的序列验证任务，即判断来自视频的帧序列是否具有正确的时间顺序。凭借这一简单任务且无语义标签，我们使用卷积神经网络（CNN）学习了强大的视觉表示。该表示包含了从诸如 ImageNet 等有监督图像数据集中学习到的表示的互补信息。定性结果表明，我们的方法捕获了随时间变化的信息，例如人体姿态。当用作动作识别的预训练时，相较于在无外部数据情况下学习，我们的方法在 UCF101 和 HMDB51 等基准数据集上带来了显著提升。为证明其对人体姿态的敏感性，我们展示了在 FLIC 和 MPII 数据集上的姿态估计结果，其具有竞争力或优于使用更多监督的方法。我们的方法可与有监督表示结合以进一步提升精度。
引用
@article{arxiv.1603.08561,
title = {Shuffle and Learn: Unsupervised Learning using Temporal Order Verification},
author = {Ishan Misra and C. Lawrence Zitnick and Martial Hebert},
journal= {arXiv preprint arXiv:1603.08561},
year = {2016}
}
备注
Accepted at ECCV 2016