Core Concepts
비 대상 클래스로부터 유의미한 정보를 학습하여 반 지도 학습 시간 동작 탐지 성능을 향상시킨다.
Abstract
이 논문은 기존 반 지도 학습 시간 동작 탐지 방법들이 주로 가장 높은 신뢰도의 대상 클래스에만 집중하는 것에 주목한다. 대신 저자들은 대상 클래스 외의 비 대상 클래스로부터 유의미한 정보를 학습하는 새로운 접근법을 제안한다.
구체적으로 다음과 같은 과정을 거친다:
예측된 클래스 확률 분포를 대상 클래스, 긍정 클래스, 부정 클래스, 모호 클래스로 구분한다.
대상 클래스의 신뢰도와 순위를 기반으로 긍정 클래스와 부정 클래스를 적응적으로 선별한다.
새로운 긍정 학습 손실과 부정 학습 손실을 도입하여 비 대상 클래스로부터 유의미한 정보를 학습한다.
긍정 학습과 부정 학습을 통합한 하이브리드 프레임워크를 구축한다.
이를 통해 기존 방법들보다 THUMOS14와 ActivityNet v1.3 데이터셋에서 우수한 성능을 달성한다.
Stats
대상 클래스의 신뢰도가 높을수록 더 많은 부정 클래스를 선별할 수 있다.
대상 클래스의 신뢰도와 긍정 클래스의 신뢰도 차이가 클수록 긍정 클래스에 더 많은 정보가 포함되어 있다.
Quotes
"기존 접근법은 단순히 가장 높은 신뢰도의 대상 클래스를 사용하지만, 이는 두 가지 주요 단점을 가진다. 첫째, 대상 클래스는 제한된 레이블 데이터로 인해 매우 노이즈가 있다. 둘째, 비 대상 클래스는 완전히 무시되는데, 이들은 종종 동작에 대한 유용한 단서를 포함하고 있다."