Nov, 2019
跨模态音视频聚类的自监督学习
Self-Supervised Learning by Cross-Modal Audio-Video Clustering
TL;DR实现了基于交叉模态预测、自监督学习和深度聚类的方法,通过将一种模态的非监督聚类用作对另一种模态的监督信号来利用视觉和音频之间的语义相关性和差异,实现了在多个视频和音频数据集上优于其他方法的预训练模型,特别是通过仅使用大规模无标签数据预训练的视频模型,相比使用 ImageNet 和 Kinetics 数据进行了全监督预训练的同一架构,更显著地提高了在 HMDB51 和 UCF101 上的动作识别精度。