تعلم تمثيل الفيديو التبايني عبر الاضطرابات المعادية

الاضطرابات المعادية هي أنماط تشبه الضوضاء يمكن أن تغير البيانات بشكل طفيف، مما يؤدي إلى فشل تصنيف دقيق آخر. في هذا البحث، نقترح استخدام مثل هذه الاضطرابات ضمن إعداد جديد للتعلم التبايني لبناء عينات سلبية، والتي يتم استخدامها بعد ذلك لإنتاج تمثيلات فيديو محسنة. لهذا الغرض، بالنظر إلى نموذج عميق جيد التدريب لتمييز الإطارات الفردية في الفيديو، نقوم أولاً بإنشاء ضوضاء معادية متكيفة مع هذا النموذج. يتم إنتاج الأكياس الإيجابية والسلبية باستخدام الخصائص الأصلية من سلسلة الفيديو الكاملة ونظيراتها المضطربة، على التوالي. على عكس طرق التعلم التبايني التقليدية، نطور مشكلة تصنيف ثنائية تتعلم مجموعة من المستويات المميزة -- كفضاء فرعي -- التي ستفصل بين الكيسين. يتم استخدام هذا الفضاء الفرعي كوصف للفيديو، والذي يُطلق عليه \emph{التجميع المميز للفضاء الفرعي} (Discriminative Subspace Pooling). حيث تنتمي الخصائص المضطربة إلى فئات بيانات قد تكون مربكة للخصائص الأصلية، فإن الفضاء المميز سيصف أجزاء من فضاء الخصائص التي تكون أكثر تمثيلاً للبيانات الأصلية، وبالتالي قد يوفر تمثيلات فيديو مقاومة. لتعلم مثل هذه الوصفات، نشكل هدف تعلم الفضاء على المنحني ستيفيل (Stiefel manifold) ونعتمد على طرق الأمثلة الريمانية لتحقيق الحل بكفاءة. نقدم تجارب على عدة مجموعات بيانات فيديو ونبين النتائج الرائدة في مجالها.