PHI:通过渐进的层次指令来弥合长期行动质量评估中的领域转变

科学领域:

• 计算机科学 计算机科学
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 长期行动质量评估 (AQA) 在扩展的视频中评估行动绩效.
• 现有的QAA方法在预训练模型和QAA任务之间的领域转移方面遇到了困难,尤其是在有限的数据的情况下.
• 在小型AQA数据集上微调大型骨干在计算上是不可避免的.

研究的目的:

• 解决长期QAA中的任务级和功能级域名转移问题.
• 提出一种新的方法,即渐进式层次指令 (PHI),以减轻这些领域转移.
• 在长视频中改进行动的定量绩效评估.

主要方法:

• 渐进式层次指导 (PHI) 框架.
• 间隙最小化流程 (GMF) 使用流程匹配进行渐进的特征域间隙减少.
• 暂时增强注意力模块用于捕捉远程依赖.
• 基于列表的对比调整 (LCR) 用于粗细的特征对齐和域转移缓解.

主要成果:

• PHI有效地减少了特征级域名转移,这对于AQA来说至关重要.
• 暂时增强的注意力模块捕获了重要的远程依赖关系.
• 清单明智的对比 规则化有助于学习细粒度的线索.
• 在三个基准长期QAA数据集上,PHI取得了最先进的结果.

结论:

• 在长期QAA中,PHI为域名转移的挑战提供了有效的解决方案.
• 提出的方法显著提高了行动质量评估绩效.
• PHI在处理定量行动绩效评估的领域转移方面表现出优越性.