Nov, 2015

从非结构化视频中发现和对齐关节物体类别的行为

PDF
TL;DR本文提出了一种利用一组涵盖多个视频的运动模式自动组织松散视频内容的系统，包括行为发现和空间对齐两个步骤。该系统可用于视频索引和检索，并可从互联网视频中学习物体类别的外观或行为。
automatic systemvideo collectionsbehavior discoverymotion representationspatial alignment
发现论文，激发创造
  • 使用轨迹对的方式进行关节动作探索

    本文提出了一种无监督方法来发现高度关节化对象（如野生老虎）的行为特征运动模式，从而实现行为视频的切分和聚类。通过分析大量顺序轨迹对的相对位移，本文发现了一种连续的运动模式，并使用运动轨迹对描述符进行聚类分析，表明该方法比现有的行为轨迹描述符表现更为优越，可将不受约束的动物视频分割成包含单个行为的时间段。

    Nov, 2014

  • 视频集合中的无监督目标发现和跟踪

    本研究提出一种结合发现和跟踪两个过程的算法，用于自动定位包含在视频集合中的物体，并能发现跨不同视频的物体实例之间的隐含拓扑关系，实验表明该算法在多目标定位方面表现优异

    May, 2015

  • 从未标注的视频中进行大规模物体发现和探测器适应

    本文提出基于视频序列的目标发现和检测器适应方法，通过三个大型自动驾驶和移动机器人场景的视频数据集的应用，证明了其鲁棒性和广泛性，并提出了一种基于外观聚类的无监督物体发现方法，成功地发现了与驾驶场景相关的有趣物体，同时通过自监督检测器适应，进一步提高了现有类别在 KITTI 数据集的检测性能，可用于自主驾驶的大规模目标学习。

    Dec, 2017

  • 关节动画的运动表示

    本文提出了一种新的运动表示方法，能够自动分离物体中的不同部分，并追踪它们的运动，从而可以更好地进行动画制作。该方法基于完全无监督的学习，提取出有意义且一致的区域表示物体的位置、形状和姿态，适用于各种物体，并且性能超过现有的方法。

    Apr, 2021

  • 针对无监督视频多物体分割的目标感知对象发现和关联

    该研究提出了一种新颖的无监督视频多目标分割方法，通过结合前景区域估计和实例分组来提高实例判别，引入判别性外观模型用于目标跟踪，实现更准确的物体发现，以及采用自适应内存更新等三种策略提高分割准确性和推理速度，并在 DAVIS17 和 YouTube-VIS 数据集上超越了现有技术的表现。

    Apr, 2021

  • 通过密集轨迹聚类进行视频表征的非监督学习

    本文提出了一个基于无监督学习的方法来学习视频中的动作识别表示，该方法结合图像表示中的两种顶级目标 —— 实例识别和局部聚合，以及通过 IDT 描述符构成的集群。使用此方法，我们在 UCF101 和 HMDB51 动作识别基准测试中取得了优异的结果，并且成功捕捉了视频动态。

    Jun, 2020

  • 物体级别视频分割的物体检测、跟踪和运动分割

    该论文提出了一种用于视频中物体分割的方法，结合了帧级物体检测与物体跟踪、运动分割等概念，提取了基于现成检测器的时间一致性物体管，结合运动线索提供视频分割，克服了弱监督 / 无监督视频分割的典型问题，并提供每个对象的精确、时间一致的分割。

    Aug, 2016

  • 从视频中无监督学习物体结构和动力学

    本研究针对无监督的视频对象结构和动态提取及预测的挑战，采用基于关键点的图像表示方法，并在关键点的动力学模型上进行学习，以实现像素空间中的稳定学习和错误复合的避免。该方法在像素级视频预测和需要物体级运动动态理解的下游任务方面均优于非结构化表示，并在多个数据集和任务中进行了评估和验证。

    Jun, 2019

  • 发现可移动的物体

    本文针对对象发现这一问题，通过选择动态对象并使用自编码器提取图像特征并加入来自运动分割的弱学习信号，成功地从复杂场景中分离出运动和静止的动态对象，相较于其它抽象特征的方法在 KITTI 数据集上有更好的表现。

    Mar, 2022

  • 从视频中无监督地发现 3D 物理对象

    本文研究了无监督的物体发现问题。引入了 POD-Net 模型，通过物理学原理，从视频中精确提取出各个物体的 3D 几何和位置，同时推断物体的属性，从而可以用于推断物理事件。

    Jul, 2020