论文页面 - 面向视频目标中心学习的选择性协同学习

来源：https://huggingface.co/papers/2606.15527

摘要

选择性协同学习（SSync）通过伪标签和传递式合并策略，选择性蒸馏出可靠线索，从而提升视频目标分解质量与鲁棒性，解决了视频目标中心学习中的局限性。

典型的视频目标中心学习（VOCL）方法采用基于槽的框架，该框架依赖重建驱动的编码器-解码器架构，其学习过程由两个空间图协调：来自编码器的注意力图和来自解码器的目标图。由于这两种图具有不同特性，近期一种密集对齐策略试图通过对比学习强制所有时空补丁达成一致来弥合这一差异。然而，这种无差别对齐会不经意地传播各个模块固有的弱点，例如编码器的噪声预测和解码器的模糊边界。此外，计算所有补丁对之间的密集相似性会带来与时空补丁总数成二次方的计算成本，严重限制了可扩展性。受此启发，我们提出选择性协同学习（SSync）。与穷举的补丁到补丁对齐不同，SSync 通过选择性蒸馏仅保留最可靠的线索来防止误差传播：利用编码器严格进行边界细化，利用解码器进行内部去噪。这是通过线性复杂度的伪标签实现的，消除了二次空间比较的需求。此外，为防止强化架构偏差（如槽冗余），我们引入了一种基于时空激活一致性的传递式伪标签合并，以整合重叠的槽。大量研究表明，SSync 不仅提升了分解质量，作为一种即插即用模块具有出色通用性，同时对槽配置表现出极强的鲁棒性。代码已开源至 github.com/wjun0830/SSync。

查看 arXiv 页面（https://arxiv.org/abs/2606.15527）查看 PDF（https://arxiv.org/pdf/2606.15527）项目页面（https://wjun0830.github.io/SSync/）GitHub4（https://github.com/wjun0830/SSync）加入收藏（https://huggingface.co/login?next=%2Fpapers%2F2606.15527）

在您的智能体中获取此论文：

hf papers read 2606\.15527

没有最新 CLI？curl \-LsSf https://hf\.co/cli/install\.sh \| bash

引用本论文的模型1

WJ0830/SSync 更新于1天前（https://huggingface.co/WJ0830/SSync）

引用本论文的数据集0

没有数据集链接本论文

在数据集的 README.md 中引用 arxiv.org/abs/2606.15527 以从本页面链接。

引用本论文的Spaces0

没有Space链接本论文

在Space的 README.md 中引用 arxiv.org/abs/2606.15527 以从本页面链接。

包含本论文的收藏集0

没有收藏集包含本论文

将此论文添加到一个收藏集（https://huggingface.co/new-collection）以从本页面链接。