摘要

弱监督时序动作定位（Weakly Supervised Temporal Action Localization, WSTAL）旨在仅依赖视频级别的类别标签，对长时未剪辑视频中的动作实例进行定位与分类。由于缺乏片段级别的标注以指示动作边界，以往方法通常为未标注的片段分配伪标签。然而，不同类别之间的某些动作在视觉上具有高度相似性，因此为一个片段精确指定唯一动作类别具有挑战性；错误的伪标签会显著损害定位性能。为解决该问题，本文提出一种新颖的类别排除视角方法，命名为渐进式互补学习（Progressive Complementary Learning, ProCL），该方法逐步增强片段级别的监督信号。本方法的灵感来源于一个被以往工作忽视的事实：视频级别的标签能够精确指出所有片段绝对不包含的类别。基于此，我们首先通过互补学习损失函数排除这些确定不存在的类别。随后，引入背景感知的伪互补标签机制，以进一步排除那些歧义较小片段中可能不包含的类别。此外，针对剩余仍存在歧义的片段，我们通过区分前景动作与背景内容来降低其语义模糊性。大量实验结果表明，所提方法在两个主流基准数据集THUMOS14和ActivityNet1.3上均取得了新的最先进性能。