摘要

弱监督时序动作定位旨在仅使用视频级别的动作类别标签，对未剪辑视频中的动作进行定位。以往大多数方法忽略了类别激活序列（Class Activation Sequence, CAS）的不完整性问题，导致定位结果趋于平凡化。为解决该问题，本文提出一种自适应互监督框架（Adaptive Mutual Supervision, AMS），包含两个并行分支：基础分支利用CAS定位最具判别性的动作区域，而辅助分支则通过一种新颖的自适应采样器，定位判别性较弱的动作区域。该自适应采样器根据基础分支输出的CAS，动态生成与之负相关的采样权重序列，从而引导辅助分支关注被基础分支低估的动作区域。为进一步促进两分支间的相互增强，本文构建了互位监督机制：每个分支均以另一分支生成的位置伪标签作为定位监督信号。通过在多个迭代中交替优化两个分支，实现对动作区域的逐步完善。在THUMOS14和ActivityNet1.2数据集上的大量实验表明，所提出的AMS方法显著优于现有最先进方法。