모든 행동을 표시한다는 가정
기존 타임스탬프 학습이 모든 행동 발생에 시점 주석이 있다고 가정하면, 놓친 행동의 프레임까지 주변 주석의 행동으로 채울 수 있다. 이 방법은 그 누락 가능성을 반영한다.
미상 프레임 남기기
어느 행동인지 확신하기 어려운 프레임을 미상으로 라벨링하고 모델 훈련에서 제외한다. 모든 프레임에 반드시 현재 주석 중 하나를 붙이지 않는 선택이다.
경계의 공동 최적화
각 타임스탬프의 구간 경계를 함께 최적화한다. 같은 행동이라는 모델의 신뢰를 고려해 양방향으로 구간을 확장하면서 미상 프레임 수를 줄인다.
누락률을 바꾼 평가
두 행동 분할 벤치마크에서 주석 누락에 대한 강건성을 평가하고 행동 위치 검출에도 적용했다. 미상으로 남긴 양과 잘못된 의사 라벨의 양 사이의 관계를 함께 살펴야 한다.
관련 문서
타임스탬프 감독 행동 분할 / EM 기반 타임스탬프 행동 분할 / UARL 행동 분할 / UVAST / ASRF 행동 구간 정제 / 약지도 학습