paper总结（6）Cross-Model Pseudo-Labeling for Semi-Supervised Action Recognition

        提出了一种更有效的伪标记方案，称为跨模型伪标记（CMPL）。具体来说，除了主骨干网之外，我们还引入了一个轻量级辅助网络，并要求它们相互预测伪标签。我们观察到，由于结构偏差不同，这两个模型倾向于从相同的视频片段中学习互补表示。因此，通过利用交叉模型预测作为监督，每个模型都可以从对应的模型中受益。

        尽管小型模型的容量较低，但在某些类别上，与大型模型相比，可以实现显著的改进。特别是，它在识别动作时更好地捕捉时间动态，而大型模型往往更好地学习空间语义，以区分不同的动作实例。

        基于这一观察结果，我们提出了交叉模型伪标记（CMPL），其中主主干由一个轻量级辅助网络进行补充，该网络具有不同的结构，与主干相比信道更少。

这种架构上的差异导致输入数据的不同表示形式，与主骨干网的表示形式互补。然后，给定一个未标记的视频片段，我们从辅助网络借用一个可靠的预测作为主主干的伪标签，反之亦然

        跨模型伪标记（CMPL）框架的说明，该框架由两个模型组成，即主骨干F（·）和辅助网络A（·）。它们以不同的帧速率接收视频输入。除非另有规定，我们采用3DResNet50作为主骨干网，采用轻型3D-ResNet50×1/4作为辅助网。给定一个未标记的视频，这两个模型对弱增强数据进行独立预测。预测结果用于为其同级生成伪标签，并将其用作强增强版本的监督。“SG”表示停止梯度操作。本图中省略了标记数据的监督损失。