自适应伪标签学习用于半监督时序动作定位
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。
延伸解读
伪标签质量提升的多路径探索
文章汇总的多项研究均围绕提升伪标签质量展开，但技术路径各异。例如，高斯加权融合模块与Delta伪标签概念从优化角度改进伪标签生成；点级别监督方法则通过聚类生成密集伪标签并利用精细对比损失进一步提纯。这些方法表明，伪标签的改进不仅依赖于生成策略，还需结合后处理与损失设计，读者可关注不同路径的适用场景与互补性。
弱监督定位的监督信号挖掘
在弱监督设定下，AutoLoc通过OIC损失自动发现分段级监督，在THUMOS'14和ActivityNet上分别将平均精度从13.7%提升至21.2%、从7.4%提升至27.3%。子动作原型学习框架则从对齐结果生成伪标签以改善边界预测。两者都致力于从粗粒度标注中挖掘细粒度监督，但前者侧重损失设计，后者侧重原型学习，为弱监督定位提供了不同思路。
半监督与自监督的协同演进
半监督时间动作定位通过学习非目标类别挖掘未标记视频信息，交叉模型伪标记则利用不同结构模型互相预测伪标签。自监督预训练的PAL任务引入时间等价对比学习，为未监督视频特征编码器提供预训练。这些方法共同显示，利用未标记数据的关键在于设计有效的代理任务或模型间协作机制，以缩小与全监督学习的差距。
性能提升的量化参考
文章提及的AutoLoc在THUMOS'14和ActivityNet上的平均精度提升幅度显著，而其他方法如Action Sensitivity Learning框架在多种场景下达到最高平均mAP。这些量化结果虽来自不同数据集与设定，但整体表明伪标签与对比学习技术的结合能带来实质性性能改进。读者在参考时需注意各方法的实验条件差异，避免直接横向比较。
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。
