摘要
弱监督时序动作定位旨在仅利用视频级别的标签，定位未剪辑视频中动作实例的时间边界，并为其分配相应的动作类别。通常，该问题通过“分类引导定位”（localization-by-classification）的流水线方法解决，即通过对视频片段进行分类来识别动作实例。然而，由于该方法优化的是视频级别的分类目标，生成的激活序列容易受到与类别相关的场景干扰，导致预测结果中出现大量误报（false positives）。现有许多方法将背景视为一个独立类别，强制模型学习区分背景片段。但在弱监督条件下，背景信息本身模糊且不确定，使得该策略难以有效实施。为缓解误报带来的影响，本文提出一种新型的“动作性引导误报抑制”（Actionness-guided False Positive Suppression, AFPS）框架。该方法在不引入背景类别的情况下，实现对误报背景的有效抑制。具体而言，首先提出一种自训练的动作性分支（self-training actionness branch），用于学习与类别无关的动作性特征，通过忽略视频标签信息，最大限度地减少类别相关场景的干扰。其次，设计了一个误报抑制模块，用于挖掘并抑制误报片段。最后，引入前景增强模块，借助注意力机制与类别无关的动作性特征，引导模型更专注于学习前景信息。我们在三个主流基准数据集（THUMOS14、ActivityNet1.2 和 ActivityNet1.3）上进行了大量实验。结果表明，所提方法在抑制误报方面具有显著效果，并取得了当前最优的性能表现。代码已开源：https://github.com/lizhilin-ustc/AFPS。