2019-图卷积标签噪声清除器：训练即插即用动作分类器以进行异常检测Graph Convolutional Label Noise Cleaner: Train a Plug-and-play Act

弱标签定义：
如果数据集中的数据出现样本只标注部分类别没有被完全标注的情况，也算一种弱标注。
有监督学习：训练数据既有特征(feature)又有标签(label)，通过训练，让机器可以自己找到特征和标签之间的联系，在面对只有特征没有标签的数据时，可以判断出标签。
无监督学习（unsupervised learning）：训练样本的标记信息未知，目标是通过对无标记训练样本的学习来揭示数据的内在性质及规律，为进一步的数据分析提供基础，此类学习任务中研究最多、应用最广的是"聚类" (clustering)，其他无监督算法还有：密度估计(densityestimation)、异常检测（anomaly detection) 等。
半监督学习：训练集同时包含有标记样本数据和未标记样本数据，不需要人工干预，让学习器不依赖外界交互、自动地利用未标记样本来提升学习性能，就是半监督学习。

本文创新点：
用GCN来清除视频中的噪声标签。只要清除了噪声标签，就可以直接将完全监督的动作分类器应用于多监督的异常检测，最大限度地利用这些完善的分类器。
噪声标签指的是异常视频中正常片段的错误注释，因为标记“异常”的视频可能包含很多正常片段。作者提出的GCN就是用来清除这些噪声的，一旦清除了噪声标签，就可以直接训练完全监督的动作分类器。在测试阶段，我们只需要从动作分类器中获取片段预测，无需做任何后处理。

我的理解就是，通过分类器将暴力视频中的“噪声标签”画面尽可能的清除，只剩暴力画面，