要約
弱教師付き時系列アクションローカライゼーションにおいて、従来の研究では最も目立つ領域の過大評価により、各アクション全体に対する密集したかつ統合的な領域を正確に特定できていなかった。この問題を緩和するために、我々は原理的に最も目立つ領域の支配的な反応を抑制するためのマージナライズされた平均注意ネットワーク（Marginalized Average Attentional Network: MAAN）を提案する。MAANは新しいマージナライズされた平均集約（Marginalized Average Aggregation: MAA）モジュールを採用し、エンドツーエンドで一連の潜在的な識別確率を学習する。MAAは、ビデオスニペット特徴量から潜在的な識別確率に基づいて複数の部分集合をサンプリングし、すべての平均化された部分集合特徴量の期待値を取り出す。理論的には、学習された潜在的な識別確率を持つMAAモジュールが、最も目立つ領域と他の領域との間の反応差を成功裏に低減することを証明している。これにより、MAANはより良いクラス活性化シーケンスを生成し、ビデオ内の密集したかつ統合的なアクション領域を特定することが可能となる。さらに、我々はMAAの構築複雑さをO(2^T)からO(T^2)に削減する高速アルゴリズムも提案する。大規模な2つのビデオデータセットでの広範な実験結果は、我々のMAANが弱教師付き時系列アクションローカライゼーションにおいて優れた性能を達成していることを示している。