自适应伪标签学习用于半监督时序动作定位
原文中文，约1200字，阅读约需3分钟。
📝
内容提要
本文提出了多种新颖的时序动作定位方法，包括自适应递增学习模型、半监督学习框架和弱监督定位框架。这些方法通过改进伪标签生成和对比损失等技术，显著提升了在多个数据集上的性能，超越了现有技术。
❓
Q&A
自适应递增学习模型的主要优势是什么？
自适应递增学习模型通过改进聚类置信度和增量实例学习策略，提高了无监督时间动作定位的效果。
什么是Delta伪标签，它的作用是什么？
Delta伪标签是一种优化伪标签生成的概念，旨在提高伪标签的质量，从而超越现有方法的表现。
半监督时间动作定位方法如何挖掘未标记视频的信息？
半监督时间动作定位方法通过学习非目标类别，挖掘未标记视频中的有价值信息，从而提升学习效果。
AutoLoc框架在定位模型的精度上有何提升？
AutoLoc框架通过OIC损失函数，平均精度在THUMOS'14数据集中从13.7%提高至21.2%，在ActivityNet数据集中从7.4%提高至27.3%。
子动作原型学习框架的主要功能是什么？
子动作原型学习框架通过生成伪标签来改善动作边界预测，并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）有什么创新之处？
PAL引入了一种时间等价对比学习范例，旨在提高未监督视频特征编码器的性能，具有更好的适应性和效果。
🏷️
