【论文标题】Sparse Semi-Supervised Action Recognition with Active Learning 【作者团队】Jingyuan Li，Eli Shlizerman 【发表时间】2020/12/03 【论文链接】https://arxiv.org/pdf/2012.01740.pdf

【推荐理由】 本文出自华盛顿大学，作者提出了一种新的用于时空序列的动作识别主动学习方法，从表征、相似度、不确定性三个方便选择标注序列，将无监督序列重构与分类通过潜在表征结合，效果 SOTA。

目前，最先进的基于骨架的动作识别方法大多都是有监督方法，严重依赖于标签。这类方法的性能在很大程度上受限于繁琐的标注过程和错误的标注数据。现在，一些研究者将无监督方法引入了该领域，但是现有的无监督方法需要将序列组织到聚类簇中，并且仍然需要通过标签将聚类簇与动作关联起来。 在本文中，作者提出了一种新的基于骨架的动作识别方法「SESAR」，它将这些方法结合了起来。SESAR 利用未标记数据和主动选择标记的少量序列信息，将无监督训练和稀疏监督指导相结合。

.
图 1：SESAR 架构示意图。
具体而言，SESAR 由两个主要部分组成，第一个部分通过重构序列的「编码器-解码器」RNN学习未标记动作序列的潜在表示，第二个部分根据聚类和分类的不确定性主动学习如何选择待标记序列。当在基于骨架的动作序列上同时训练这两个部件时，它们对应于一个只有少量标记样本的鲁棒动作识别系统。

本文的贡献如下： （1）提出了一种新的用于时空序列的动作识别的主动学习方法，它根据对每个样本标注效果的估计，从标注的表征、相似度、不确定性三个方面来选择标注序列 （2）该方法提供了一种通用的有效算法，将无监督序列重构与分类通过潜在表征嵌入相结合，进行序列动作识别的半监督学习。

内容中包含的图片若涉及版权问题，请及时与我们联系删除