Apprentissage de représentations audiovisuelles auto-supervisées avec synchronicité intermodale relaxée

Nous présentons CrissCross, un cadre d'apprentissage auto-supervisé pour l'acquisition de représentations audiovisuelles. Notre cadre introduit une nouvelle notion selon laquelle, en plus d'apprendre les relations intramodales et intermodales standards « synchrones », CrissCross apprend également des relations intermodales « asynchrones ». Nous menons des études approfondies démontrant que, en relâchant la synchronicité temporelle entre les modalités audio et visuelle, le réseau acquiert des représentations généralisées robustes utiles pour diverses tâches ultérieures. Pour pré-entraîner notre solution proposée, nous utilisons trois jeux de données différents de tailles variables : Kinetics-Sound, Kinetics400 et AudioSet. Les représentations apprises sont évaluées sur plusieurs tâches ultérieures, notamment la reconnaissance d'actions, la classification de sons et la recherche d'actions. Nos expériences montrent que CrissCross soit surpasse, soit atteint des performances comparables aux méthodes actuelles d'apprentissage auto-supervisé les plus avancées en matière de reconnaissance d'actions et de recherche d'actions avec UCF101 et HMDB51, ainsi que de classification de sons avec ESC50 et DCASE. De plus, CrissCross surpasse l'apprentissage pré-entraîné entièrement supervisé lorsqu'il est pré-entraîné sur Kinetics-Sound. Les codes source et les modèles pré-entraînés sont disponibles sur le site web du projet.