ECCVFeb, 2016

用于细粒度动作分割的分段时空卷积神经网络

PDF
TL;DR提出了一个基于低级时空特征和高级的段分类器的动作分割模型， 结合了半马尔可夫模型， 并引入一种比当前方法快数倍的有效的有约束的段推断算法。在烹饪和手术动作数据集上观察到明显的改进。
action segmentationfine-grained action recognitionspatiotemporal cnnsemi-markov modelsegmental inference algorithm
发现论文，激发创造
  • 用于动作分割和检测的时序卷积网络

    介绍了一种新的 Temporal Convolutional Networks 模型，可用于对视频中动作的细粒度分割和检测，具有高效性和良好的表现。

    Nov, 2016

  • 探索框架分割网络用于时间行为定位

    本研究提出了一种基于帧分割网络（FSN）的方法，通过在 2D 空间 CNN 上放置时间 CNN，利用时空上下文信息通过帧级密集预测，实现对视频剪辑的精确定位，该方法可在弱监督场景下使用，实现了优越的帧级动作定位和时间上的动作定位。

    Feb, 2019

  • 时序卷积网络：行动分割的统一方法

    提出了一种统一的时间卷积网络方法，可以逐层捕捉低、中、高层次时间尺度上的关系，在三个公共操作分割数据集上以视频或传感器数据实现了优越或竞争性能，并且可以在较短时间内训练完成。

    Aug, 2016

  • 一种高效的用于视频行为 / 物体分割的 3D 卷积神经网络

    本研究提出一种基于卷积神经网络（CNN）的 3D 编码器 - 解码器风格方法来同时汇集空间和时间信息从而用于视频物体分割和视频行为分割，测试结果表明该方法比现有技术具有更高的性能表现。

    Jul, 2019

  • MS-TCN：多阶段时间卷积网络用于动作分割

    本研究提出了一种多阶段架构方法来解决视频动作分段问题，使用扩张卷积神经网络来生成初始预测并利用平滑损失进行训练，模型在多个数据集上实现了最新的研究成果。

    Mar, 2019

  • 动作识别中空间 - 时间卷积的近距离观察

    本文研究了几种用于视频分析的时空卷积形式，并研究了它们对动作识别的影响。我们在残差学习的框架下，实证演示了 3D CNNs 相对于 2D CNNs 的准确性优势。此外，我们还表明把 3D 卷积滤波器分解成单独的时空分量会显著提高准确性。最终，我们设计了一个新的时空卷积块 “R (2+1) D”，这种方法产生的 CNN 的结果与最新技术相当甚至更好，可以在 Sports-1M、Kinetics、UCF101 和 HMDB51 数据集上取得更好的表现。

    Nov, 2017

  • 时序段网络：深度动作识别的良好实践

    本文提出了一种新的视频动作识别框架 - TSN，并探究了在时间段网络的帮助下学习 ConvNet 模型的一系列良好实践策略。实验结果表明，本方法在 HMDB51（69.4%）和 UCF101（94.2%）数据集上取得了最先进的性能。我们还可视化了学习到的 ConvNet 模型，定性展示了时间段网络和所提出良好实践的有效性。

    Aug, 2016

  • 高效动作识别的组合空时聚合

    本文提出一种名为 “grouped spatial-temporal aggregation” 的新型分解方法，将特征通道分解成空间和时间分组并在并行处理。实验证明，该方法在需要时序推理的动作识别任务上具有更加高效的性能。

    Sep, 2019

  • 学习跟踪以进行时空动作定位

    这篇论文提出了一种有效的方法，通过联合静态和运动的 CNN 特征对视频进行帧级别的检测，并通过目标追踪、运动直方图和滑动窗口法实现了时空行为定位，其准确性比现有方法提高了 15％至 12％不等。

    Jun, 2015

  • STFCN：用于语义视频分割的时空 FCN

    本文提出了一种包括时空特征的方法来解决语义视频分割问题，使用卷积神经网络和长短时记忆结构相结合的深度学习模型取得了 Camvid 和 NYUDv2 数据集的最先进语义分割性能。

    Aug, 2016