文件名称：SSTDA:[CVPR 2020]具有联合自我监督的时间域自适应（PyTorch）的动作细分
文件大小：1.14MB
文件格式：ZIP
更新时间：2024-04-10 03:59:50
video pytorch video-understanding domain-adaptation self-supervised-learning
具有联合自我监督的时域自适应的动作分段 这是我们论文的官方PyTorch实施： 具有联合自我监督的时域自适应的动作分段， ，， ，和 [ ] [ ] [ ] [ ] [ ] [ ] [] [] [ ] 尽管最近在完全监督的动作分割技术方面取得了进步，但是其性能仍不能完全令人满意。一个主要的挑战是时空变化的问题（例如，不同的人可能以各种方式进行相同的活动）。因此，我们利用未标记的视频来解决此问题，方法是将动作细分任务重新配置为跨域问题，该跨域问题是由时空变化引起的域差异。为了减少差异，我们提出了自我监督的时域自适应（SSTDA） ，其中包含两个自我监督的辅助任务（二进制和顺序域预测），以联合对齐嵌入本地和全局时域动态的跨域特征空间，从而实现更好的效果性能优于其他领域适应（DA）方法。在三个具有挑战性的基准数据集（GTEA，50份沙拉和早餐）上，SSTDA远远领先于当前的最新方法（例如F1
【文件预览】：
SSTDA-master
----.gitignore(229B)
----eval.py(5KB)
----LICENSE(1KB)
----batch_gen.py(3KB)
----scripts()
--------run_gtea_baseline.sh(3KB)
--------run_breakfast_baseline.sh(3KB)
--------run_breakfast_SSTDA.sh(3KB)
--------run_gtea_SSTDA.sh(3KB)
--------run_50salads_baseline.sh(3KB)
--------run_50salads_SSTDA.sh(3KB)
----README.md(7KB)
----webpage()
--------OLIVES_new.png(138KB)
--------Overview.png(1022KB)
----environment.yml(8KB)
----loss.py(3KB)
----centroid.py(2KB)
----main.py(10KB)
----predict.py(2KB)
----model.py(24KB)
----train.py(25KB)