三木今天学习了嘛の博客

介绍了2019、2020、2021基于半监督的时序动作定位论文。大体上看，有两种思路：一是结合TAL和SSL两种方法，另一个是类似双流网络，解决了候选区域定位不准导致误差积累的问题。

本博文旨在记录学习时序动作检测(Temporal Action Detection)过程中遇到的高质量论文，同时进行总结和思路归纳。

本博文旨在记录学习时序动作检测(Temporal Action Detection)过程中遇到的高质量论文，同时进行总结和思路归纳。

本博文旨在记录学习时序动作检测(Temporal Action Detection)过程中遇到的高质量论文，同时进行总结和思路归纳。

本博文旨在记录学习时序动作检测(Temporal Action Detection)过程中遇到的高质量论文，同时进行总结和思路归纳。

本博文旨在记录学习时序动作检测(Temporal Action Detection)过程中遇到的高质量论文，同时进行总结和思路归纳。

MixMatch统一了目前半监督学习的主流方法，产生了一种新的算法，它为数据增强的未标记的例子猜测低熵标签，并使用MixUp混合标记和未标记的数据。

尽管深度学习取得了成功，但它仍然需要大量的标记数据集才能成功。数据增强在缓解对更多标记数据的需求方面显示出很大的前景。 "无监督数据增强 "或 "UDA"在半监督学习环境下将数据增强应用于无标签数据，鼓励模型在无标签的例子和增强的无标签的例子之间保持预测一致。通过用先进的数据增强方法（如RandAugment和回译）取代简单的噪声操作，我们的方法在相同的一致性训练框架下为六种语言和三种视觉任务带来了实质性的改进。我们的工作在迁移学习中也可以很好的工作。