通过噪声挖掘的自适应自标记方法减轻视频文本检索中的噪声对应问题

《ACM Transactions on Multimedia Computing, Communications, and Applications》：Mitigating Noisy Correspondence in Video-Text Retrieval via Noise-mined Adaptive Self-Labeling

　　

摘要AI总结

要查看此AI生成的总结，您需要拥有高级访问权限。

了解更多登录

摘要

摘要

在视频文本检索中，解决噪声对应问题对于实现准确的检索性能至关重要。近期方法通过抑制噪声数据的影响或消除受噪声干扰的预测来应对这一挑战。然而，现有方法往往忽视了两个关键方面：区分硬噪声与语义模糊的情况，以及保留未匹配负样本对之间的潜在关联。为解决这一问题，我们提出了噪声挖掘自适应自我标记算法（NASL），该算法可在训练过程中有效处理噪声数据。NASL包含两种损失函数：1）噪声挖掘匹配损失（NML），它基于两阶段抑制策略识别并惩罚噪声数据；2）自适应自我标记损失（ASL），它利用最优传输技术在噪声条件下恢复假阴性样本之间的潜在关联，并提供适度监督以防止对语义上合理的样本进行过度惩罚。大量实验表明，NASL能够提升干净数据与噪声数据的分离度，同时有效降低噪声影响，从而在MSR-VTT、DiDeMo、MSVD、LSMDC和ActivityNet数据集上显著提升性能。

AI总结

AI生成的总结（实验性内容）

此总结是通过自动化工具生成的，并非由文章作者撰写或审核。它旨在帮助读者发现相关内容、评估文章相关性，以及便于相关领域的读者理解本文内容。它是对作者提供的摘要的补充，而作者提供的摘要仍是文章的核心总结。完整文章才是最具权威性的版本。点击此处了解更多。

点击此处，可以对此总结的准确性、清晰度和实用性发表意见。您的反馈将有助于改进未来的总结版本。

要查看此AI生成的通俗语言总结，您需要拥有高级访问权限。