自适应伪标签学习用于半监督时序动作定位

提出了一种自适应递增学习模型，改进聚类置信度和增量实例学习策略，提高无监督时间动作定位效果。

研究中引入高斯加权融合模块和Delta伪标签概念，优化伪标签生成，超越现有方法表现。

提出点级别监督时序动作定位新方法，通过生成灵活时长的动作提案和聚类算法生成密集伪标签，提升伪标签质量。

新型半监督时间动作定位方法通过学习非目标类别挖掘未标记视频信息，优于之前最先进的方法。

采用自适应对比学习和多尺度时间学习策略，提出半监督动作识别方法，改善少量标记数据下的时空推理能力。

Action Sensitivity Learning框架通过轻量级评估器和对比损失实现动作示例识别和定位，实验结果显示优于现有技术。

基于弱监督的时序动作定位框架AutoLoc，通过OIC损失函数自动发现分段级别监督，显著提高定位模型的平均精度。

子动作原型学习框架通过生成伪标签改善动作边界预测，在多个基准测试中超越现有最优方法。

自监督预训练的假动作定位任务（PAL）用于未监督视频特征编码器的预训练，提升时间动作定位任务性能。

交叉模型伪标记的半监督行为识别方法利用不同结构模型互相预测伪标签，达到更好的识别效果。