شبكة الاهتمام المتوسطة المهمشة للتعلم شبه المشرف عليه

في مجال تحديد الأحداث الزمنية بشكل ضعيف الإشراف، فشلت الأعمال السابقة في تحديد المناطق الكثيفة والمتكاملة لكل حركة بسبب المبالغة في تقدير المناطق الأكثر بروزًا. لحل هذه المشكلة، نقترح شبكة انتباه متوسطة على الهامش (MAAN) لتقليل الاستجابة السائدة للمناطق الأكثر بروزًا بطريقة منهجية. تستخدم الشبكة MAAN وحدة تجميع متوسط على الهامش (MAA) جديدة وتتعلم مجموعة من الاحتمالات التمييزية الخفية بطريقة شاملة من النهاية إلى النهاية. تقوم وحدة MAA بتقديم عينات متعددة من ميزات المقاطع الفيديو وفقًا لمجموعة من الاحتمالات التمييزية الخفية ويتم أخذ المتوسط الحسابي لجميع ميزات العينات المجمعة. نظريًا، نثبت أن وحدة MAA مع الاحتمالات التمييزية الخفية المُتعلمة تقلل بنجاح الفرق في الاستجابات بين المناطق الأكثر بروزًا والمناطق الأخرى. وبالتالي، تكون الشبكة MAAN قادرة على إنشاء سلاسل تفعيل أفضل للأصناف وتحديد المناطق الكثيفة والمتكاملة للأحداث في مقاطع الفيديو. بالإضافة إلى ذلك، نقترح خوارزمية سريعة لتقليل تعقيد بناء MAA من O(2^T) إلى O(T^2). أظهرت التجارب الواسعة على قاعدتي بيانات فيديو كبيرتين أن شبكتنا MAAN تحقق أداءً متفوقًا في تحديد الأحداث الزمنية بشكل ضعيف الإشراف.