面向半监督时序动作定位的自适应伪标签学习
计算机视觉与模式识别
2024-07-26 v3
摘要
缓解半监督时序动作定位（SS-TAL）中的噪声伪标签仍是关键挑战。现有方法通常基于严格条件过滤伪标签，但它们通常会单独评估分类和定位质量，导致伪标签排序和选择次优。在 particular, 选中的正样本中可能包含不准确的伪标签，同时可靠的样本却被错误地分配给负样本。为解决这些问题，我们提出了一种新的自适应伪标签学习（APL）框架以促进更好的伪标签选择。具体而言，为提高排序质量，提出了自适应标签质量评估（ALQA）用于联合学习分类置信度和定位可靠性，随后基于联合得分动态选择伪标签。此外，我们提出了基于实例级一致性判别器（ICD）用于消除模糊的正样本并同时从内在一致性中矿采潜在正样本，从而实现更精确的选择。我们进一步引入通用的无监督动作感知对比预训练（ACP）以增强动作内部及动作与背景之间的辨识度，这有利于 SS-TAL。在 THUMOS14 和 ActivityNet v1.3 上进行大量实验表明，我们的方法在 various semi-supervised settings 下实现了最佳性能。
引用
@article{arxiv.2407.07673,
title = {Towards Adaptive Pseudo-label Learning for Semi-Supervised Temporal Action Localization},
author = {Feixiang Zhou and Bryan Williams and Hossein Rahmani},
journal= {arXiv preprint arXiv:2407.07673},
year = {2024}
}
备注
Accepted to ECCV 2024