- …
- …
#30
summarized by : Kensho Hara
どんな論文か？
Self-supervisedで動画の特徴表現を学習．複数のモダリティ（RGB, Flow, Audioなど）に対する複数のタスクを組み合わせる．各モダリティの情報はDistillation LossによってメインのRGBに入るようになっている．異なるTaskやDistillationのLossの組み合わせ方をAutoML的に探索する手法を提案することで多タスク学習を実現．
新規性
・Multi-modal, Multi-taskを組み合わせつつDistillationによりsingle-streamに情報を集約するSelf-supervised Learningのフレームワークの提案
・Self-supervised TaskやDistillation Taskを自動的に組み合わせる探索手法の提案
結果
YouTube-8Mからランダムに引っ張ってきた200万動画でSelf-supervised Learningすることで，UCF-101で93.8%，HMDB-51で67.4%という非常に高い認識精度を達成．これはImageNet Pretrainingを超える認識精度になっている．
その他（なぜ通ったか？等）
Multi-taskかつMulti-modalで200万動画を利用した学習という，さすがGoogleな論文．
- …
- …