[5]Bao W, Yu Q, Kong Y. Evidential Deep Learning for Open Set Action Recognition[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. 2021: 13349-13358.
综上所述,本文的贡献有三方面。
- - 我们的深度证据行动识别(DEAR)方法执行了新的证据学习,以支持具有原则性和高效不确定性评估的开放集行动识别。
- - 所提出的证据不确定性校准(EUC)和对比性证据消除(CED)模块分别有效地缓解了过度自信的预测和静态偏差问题。
- - DEAR方法得到了广泛的验证,并在具有挑战性的基准上持续提升了最先进的动作识别模型的性能。
本文联合基于证据损失evidential deep learning(EDL)和证据不确定性校准损失Evidential Uncertainty Calibration(EUC)来替代CE loss,提出了一种深度证据动作识别(DEAR)方法来识别开放测试集中的动作。(实际上还包含证据特征偏差消除,但我们不关注这个)
- 在训练阶段,该方法主要用EDL损失,结合一个重要的校准损失EUC,制定了一个新的损失函数(联合起来还是叫EDL损失),用于开放集动作识别。其中,EDL损失是包括两个部分的,一部分是训练激活值累积的(实际可以看成是训练不确定性的,对于已知类,应该最小化不确定性,最大化S,不知道为什么这里是最小化S),另一部分是训练正确分类类别的激活值的。(实际上可以看成是训练即最大化正确分类的概率&#x