利用音频源定位引导的混合技术进行半监督音视频动作识别

本研究解决了视频动作识别中注释成本高的问题，提出了一种半监督学习方法，利用视觉和音频的多模态信息，尽管标记数据量少也能提升性能。创新的音频源定位引导的混合技术充分考虑了视频和音频之间的关系，使得模型在UCF-51、Kinetics-400和VGGSound数据集上的表现显著提升，具有重要的应用潜力。

本研究提出了一种半监督学习方法，利用视觉和音频的多模态信息，解决视频动作识别中的高标注成本问题。通过音频源定位技术，模型在多个数据集上显著提升，具有重要应用潜力。