Feb, 2015

通过转移深度图像特征进行动态纹理和场景分类

PDF
TL;DR本论文旨在解决动态纹理和场景分类这两个问题，在提取特征方面使用深度学习的方法，即将一个经过训练的卷积神经网络作为中间特征提取器，进行空间和时间上的特征提取，从而实现优异的性能。
dynamic texturescene classificationfeature extractiondeep learningconvolutional neural network
发现论文，激发创造
  • 视频分类的混合深度学习框架中建模时空线索

    本文提出了一种混合式深度学习框架，旨在对视频的静态空间信息、短期运动以及长期时间线索进行建模，并且在 UCF-101 人体动作和 Columbia 消费者视频两个标注数据集上实验，结果表明该框架相对于传统策略具有更高的性能.

    Apr, 2015

  • 使用卷积神经网络综合动态纹理

    使用卷积神经网络的特征表示来计算时空统计量，并提出一种参数化的模型，能够合成新的动态纹理样本并预测简单电影中的运动。

    Feb, 2017

  • 动态纹理合成的双流卷积网络

    本文提出了一种基于卷积网络 (ConvNets) 的两流 (Two-Stream) 动态纹理合成模型，它能够结合来自目标识别 ConvNet 的特征统计和来自光流 ConvNet 的特征统计生成全新的动态纹理，另外还引入图像风格迁移技术，能够将一个纹理的外观与另一个纹理的动态特性结合生成高质量的纹理。最后作者通过一个系统的用户实验，对该模型进行了客观的评价和验证。

    Jun, 2017

  • 重新思考时空特征学习：视频分类的速度和准确性权衡

    本研究通过优化设计网络结构，系统地探讨了关键网络设计选择，包括将大量 3D 卷积替换为低成本的 2D 卷积、可分离的空间 / 时间卷积和特征门控等，进而建立了一个有效而高效的视频分类系统。实验表明本文方法不仅速度更快，而且在行动分类基准测试（Kinetics、Something-something、UCF101 和 HMDB）以及两个行动检测（本地化）基准测试（JHMDB 和 UCF101-24）中的分类效果也比其他方法更有竞争力。

    Dec, 2017

  • 评估两流 CNN 用于视频分类

    该论文以深度学习为基础，通过研究网络架构、模型融合、学习参数和最终预测方法等等选项对视频分类进行了深入研究，并在两个流行的视频分类基准测试中获得了竞争力极强的结果。

    Apr, 2015

  • 融合场景文本与视觉外观进行细粒度图像分类

    本文提出了一种利用场景文本进行图像理解的方法，通过符号识别系统获取识别的单词和深层视觉特征的嵌入组合成一个可通过卷积神经网络进行优化的单一表示形式。通过引入注意力机制强化符号与图像之间的关系，不仅有效地提高分类准确率，而且可较大幅度提升产品图像检索性能。

    Apr, 2017

  • 分类驱动动态图像增强

    本文提出一种基于卷积神经网络的图像增强方法，通过动态滤波器学习来提高图像分类的效果，实验证明该方法在四个基准数据集中表现出较好的性能。

    Oct, 2017

  • 纹理引导的深度特征编码

    通过纹理引导的特征压缩策略，该研究对机器视觉中的特征和纹理进行了调查和分析，提出了一种基于纹理特征的压缩策略，该策略通过选择性地压缩和传输与视觉任务相关的通道，同时为机器提供高质量的特征数据，并利用特征和纹理图像重建预览图像以支持人类决策。实验结果表明，采用所提出的方法对深层特征进行压缩时表现出了出色的性能。

    May, 2024

  • 视频识别的深度特征流

    该研究提出了一种针对视频识别的研究框架，Deep feature flow，使用卷积神经网络在关键帧上运行，通过流场传播其特征图到其他帧，大大提高了视频识别的速度和准确性，同时为实际应用打下坚实的基础。

    Nov, 2016

  • 动态图像网络在动作识别中的应用

    本文介绍了动态图像的概念，它是一种新型的紧凑表示方法，可用于视频分析，特别是与卷积神经网络（CNNs）相结合。它允许将任何视频转换为图片，从而可以立即将现有的针对静态图像分析的 CNN 模型扩展到视频，并在动作识别等标准基准测试中实现了最先进的性能。

    Dec, 2016