内容提要
弱监督时间动作定位是一项具有挑战性的视觉任务，因为训练视频中缺乏真值的动作时间位置。由于在训练过程中只有视频级别的监督，大多数现有的方法依赖于多实例学习(MIL)框架来预测视频中每个动作类别的开始和结束帧。然而，现有的基于MIL的方法有一个主要的局限性，即只捕捉动作的最具区别性的帧，而忽略了活动的全部范围。此外，这些方法不能对定位前台活动起着重要作用的后台活动，进行有效地建模。在本文中，我们提出了一种新的框架HAM-Net，该框架包含时间软注意、半软注意和硬注意的混合注意机制。我们的时间软注意模块，在分类模块中的辅助背景类的指导下，通过为每个视频片段引入动作评分来模拟背景活动。此外，我们的时间半软和硬注意模块，计算每个视频片段的两个注意分数，有助于集中在一个动作的较少区别的帧，以捕获完整的动作边界。我们提出的方法在THUMOS14数据集上IoU阈值为0.5时至少有2.2% mAP，在ActivityNet1.2数据集上IoU阈值为0.75时至少有1.3% mAP，性能SOTA！
主要框架及实验结果
声明：文章来自于网络，仅用于学习分享，版权归原作者所有，侵权请加上文微信联系删除。
