注：该文章发表于CVPR2020，文章主体框架建立在2019年“MS-TCN: Multi-Stage Temporal Convolutional Network for Action Segmentation”的基础上，欢迎查阅：MS-TCN介绍
论文原题：Action Segmentation with Joint Self-Supervised Temporal Domain Adaptation
原文地址：https://arxiv.org/abs/2003.02824
论文的目标为“行为分割”（Action Segmentation），由于文章的主体网络结构建立在MS-TCN的基础之上，这里我只对本文的Contribution进行介绍。
论文的Motivation是通过使用自监督学习（Self-supervised learning）来解决训练样本及测试样本之间可能存在的Domain variation问题（例如，不同的个体，在执行相同的action时可能有不同的习惯，若在训练集(source)及测试集(target)之间存在较大的差异，则会给模型精度带来很大的影响）。所谓自监督学习，就是通过使用无需标记的样本，建立某些辅助任务（auxiliary tasks），来学得更好的特征表示，从而为目标任务带来帮助，那么现在问题就是如何设计一个好的auxiliary task，来帮助我们解决Domain variation 问题。
机器学习领域一个专门解决此类问题的方向为领域自适应（Domain Adaption, DA），属于迁移学习的一个分支。作者使用了对抗学习（adversarial learning）的方式（类似于GANs），试图通过无标记视频序列，学得Domain invariant feature，从而使得Domain variation问题得到解决。为此，作者设计了两个self-supervised auxiliary tasks, 分别用于逐帧（frame-wise）特征提取以及对时间序列片段的特征提取（sequence-wise），接下来分别对这两部分进行介绍。
1. Local SSTDA (Frame-wise)
上图的左侧部分为Local SSTDA，用于逐帧（frame-wise）特征提取的自监督学习，为了解决domain variation问题（也就是减缓source（训练数据）及target（测试数据）之间特征表示的差异性），如上文所述，这里使用类似于GANs中的对抗学习。设计一个判别器Discriminator
，用于判断我们的输入数据是源自于source还是target（二分类问题），而我们的特征提取网络则希望学得domain-invariant的特征，从而欺骗判别器Discriminator。在两者的交替更新之下，最达到纳什均衡。
2. Global SSTDA
Global SSTDA与上文所述的Local SSTDA类似，区别在于其用于提取对连续时间序列片段进行特征提取（sequence-wise），作者首先分别原始的source及target中的的完整video截成一系列片段，对每个截出的片段，使用**DATP（Domain Attentive Temporal Pooling）**进行特征提取，获得每个clip的特征向量，随后将这些源自source及target的片段进行随机打乱（shuffle）及拼接，输入后续的Discriminator进行类别预测（from source or target）。该部分的损失函数类似于Local SSTDA。
总损失函数loss function如下所示
SSTDA的自监督学习部分总体框下如下图所示：
