自监督视频表征学习综述.docx
版权申诉
39 浏览量
2022-11-28
20:24:53
上传
评论
收藏 233KB DOCX 举报
随着信息技术的飞速发展和互联网技术的普及,社会正在进入大数据时代。
文本、图像、视频等多媒体信息数据量呈爆炸性增长,每天以亿级别的数据被
传播到网络中。巨大的数据量和多样复杂的数据结构,给数据的分析和理解带
来了挑战和机遇。
随着深度学习的蓬勃发展,监督学习已经成功应用在各种计算机视觉任务
中,在一些领域上甚至超越人类。监督学习不仅依赖于大量的手工标注,还存在
泛化错误、虚假关联、对抗性攻击
[1]
等问题。近年来,对未标记数据的自监督表
示学习受到越来越多的学者关注,图灵奖得主 YANN 在 AAAI 演讲
[2]
中提到“通
向人工智能的未来:自监督学习”。自监督学习(Self-Supervised Learning,SSL)
利用辅助任务(Pretext Task)从大规模无监督数据中挖掘自身的监督信息,利用
这个信息对网络进行训练,从而学习到对下游任务有价值的表征
[3]
。自监督视频
表征学习涉及机器学习和计算机视觉学科的交叉和融合,具有重要的理论研究
价值。自监督视频表征学习的研究有助于机器利用未标注大规模视频数据高效
准确地理解和分析视频,从而得到更具有泛化性的视频表征,使模型在动作识别、
分割、跟踪
[4]
和目标识别
[5]
等下游任务中有更好的性能。视频自监督学习框架
如图 1 所示
[6]
。
图 1
图 1 视频自监督学习框架
JING 等
[6]
综述了基于深度神经网络的自监督视觉特征学习,笔者与其侧重
点、覆盖时间范围、分类方式均有不同,是对近 3 年来自监督视频表征学习方
法进行更全面的归类和总结介绍。相比于图像,视频存在丰富的时序信息,可用
来设计辅助任务,如时间顺序验证、时间顺序识别和采样速率识别等。与图像
相似,在视频中也存在空间连续性,因此与图像旋转、拼图任务相似的视频帧旋
剩余10页未读，继续阅读
罗伯特之技术屋
- 粉丝: 3578
- 资源: 1万+
下载权益
C知道特权
VIP文章
课程特权
VIP享7折，此内容立减5.97元 开通VIP
相关推荐
资源上传下载、课程学习等过程中有任何疑问或建议，欢迎提出宝贵意见哦~我们会及时处理！
点击此处反馈
评论0
最新资源