行走学习:基于自我为中心视频和上下文数据的面部属性表示学习
本文提出了一种新的人物识别框架:区域注意力网络,它能够以实例相关的方式自适应地组合不同的视觉线索,并学习社交上下文和人物身份的推理,从而在复杂的环境中大幅提高了鲁棒性。
Jun, 2018
本研究提出了一个用于学习面部属性的无监督框架,通过观察视频中的人脸说话、笑笑和移动,引入了 Facial Attributes-Net (FAb-Net) 网络来将多帧视频面部轨迹嵌入到低维空间中进行训练,该网络通过预测每个帧的置信 / 注意力蒙版,以学习人脸嵌入表达方式,不需要任何标记数据的监督,并在这些任务上具有与最先进的自监督方法相媲美或超越它的性能。
Aug, 2018
本文介绍了一种利用周围的行人图像 context,比传统的基于 SVM 方法更好地推断行人属性的方法,并通过我们新发布的行人属性数据集进行实验评估背景和前景特征对属性识别的相关性。
Jan, 2015
该研究旨在研究在第一人称视角下,如何准确识别行为。为此,提出了一种新颖的特征轨迹表示方法,并且使用所提出的方法在公开数据集上实现了 11% 的性能提升,该方法可以识别出佩戴者的各种行为,且不需要分割手 / 物体或识别物体 / 手的姿态。
Apr, 2016
使用自监督学习来学习套接在 AR/VR 设备上内嵌的 IMU 传感器捕捉的人类和狗的视角视频获得的头部运动,以识别自传活动。
Oct, 2021
本文提出了使用深度卷积神经网络结合面部标志信息来估计面部属性的新方法,并在新的面部属性数据集上进行了实证分析,结果显示该方法相对于基线方法在多个面部属性上均有显著提升。
May, 2016
利用可穿戴相机的图像数据,结合卷积神经网络和递归神经网络的优点,提出了一种基于批量处理的系统来识别 21 种日常活动,准确率达 89.85%,优于现有的端到端方法。
Oct, 2017