弱监督时序动作定位（Weakly-supervised Temporal Action Localization, WTAL）旨在仅依赖视频级别标签的情况下检测动作实例。为应对这一挑战，近年来的方法普遍采用双分支框架，包括一个类别感知分支（class-aware branch）和一个类别无关分支（class-agnostic branch）。理论上，这两个分支应产生一致的动作性激活（actionness activation）。然而，我们观察到实际中存在大量不一致的激活区域，这些区域通常包含语义信息模糊的困难片段（即难以判断是动作还是背景）。针对这一问题，本文提出一种新颖的动作性不一致性引导对比学习（Actionness Inconsistency-guided Contrastive Learning, AICL）方法，利用一致区域的语义信息来增强不一致区域的表征学习能力。具体而言，我们首先通过对比两个分支的预测结果，定义出一致与不一致的片段，随后在一致片段与不一致片段之间构建正负样本对，用于对比学习。此外，为避免出现无一致样本的退化情况（trivial case），我们引入了一种动作一致性约束（action consistency constraint），以控制两个分支输出之间的差异，从而保证学习过程的稳定性与有效性。我们在 THUMOS14、ActivityNet v1.2 和 ActivityNet v1.3 三个标准数据集上进行了大量实验，结果表明，所提出的 AICL 方法在多个指标上均取得了当前最优（state-of-the-art）性能，充分验证了其有效性。相关代码已开源，地址为：https://github.com/lizhilin-ustc/AAAI2023-AICL。