Oct, 2016

使用时空上下文的实时在线动作检测森林

PDF
TL;DR提出了一种基于随机森林的在线动作检测框架，使用计算效率高的骨骼关节特征和通用 CNN 特征，通过时间关系构造 RF 的新分割函数，并在挑战性数据集上显著提高了准确性。
online action detectionrandom forestskeletal joint featuresconvolutional neural networktemporal relationships
发现论文，激发创造
  • 在线实时多时空动作本地化和预测

    本研究提出了一个深度学习框架，可实时进行多个时空动作的本地化、分类和早期预测，通过实时的 SSD 卷积神经网络进行回归和分类检测，再通过一个高效的在线算法构建和标记动作管道以进行实时分析，对于 S/T 动作本地化和早期动作预测在 UCF101-24 和 J-HMDB-21 测试基准中均取得了最新的最佳结果，即使与顶级离线竞争对手相比，我们的系统也可以实现 40fps 的在线 S/T 动作本地化和早期动作预测，本文是首个实现此功能的实时系统。

    Nov, 2016

  • E2E-LOAD: 端到端在线长视频动作检测

    本文提出了一种用于在线动作检测的端对端模型 (E2E-LOAD)，使用可训练的骨干网络，提出了一种新的空间 - 时间模型和有效的推理机制，取得了较高的检测性能和较低的计算成本。

    Jun, 2023

  • 在线动作检测的时序循环网络

    本文提出了一种新颖的框架 Temporal Recurrent Network (TRN) 来模拟视频帧的时间上下文，在线执行行动检测并预测即将发生的行动，实现了累积历史证据和预测未来信息相结合的在线识别方式，并在 HDD、TVSeries 和 THUMOS'14 三个数据集上进行评估，表明 TRN 的性能显著优于现有技术。

    Nov, 2018

  • OadTR: 使用 Transformer 进行在线动作检测

    本文提出了一个新的 Transformers 编码器 - 解码器框架 OadTR 用于在线行动检测，该模型能够同时编码历史信息并预测未来内容，性能优于目前基于 RNN 的方法。

    Jun, 2021

  • 联合分类回归循环神经网络实现在线人体动作检测

    本文研究了如何从流媒体骨架数据中实时监测并识别出人类动作，并提出了一种基于神经网络的多任务分类回归模型来更准确地定位动作类型和时间位置信息，该模型具有较高的计算效率和准确性。

    Apr, 2016

  • JOADAA：联合在线动作检测和动作预测

    通过结合动作预测和在线动作检测，我们提出了一种统一的模型 JOADAA，能够覆盖在线动作检测中未来信息的缺失依赖关系，并在 THUMOS'14、CHARADES 和 Multi-THUMOS 三个具有挑战性的数据集上取得了最优结果。

    Sep, 2023

  • DOAD: 去耦合单阶段行为检测网络

    本文提出一种解耦网络（DOAD）和基于变换器的模块（TransPC），用于提高视频理解的效率和行为检测的准确性。

    Apr, 2023

  • 弱监督在线非修剪视频动作检测

    提出了一种名为 WOAD 的弱监督在线动作检测框架，该框架只需使用视频类别标签进行训练，包含两个联合训练的模块，即时间提案生成器（TPG）和在线动作识别器（OAR），通过实验验证，在 THUMOS'14, ActivityNet1.2 和 ActivityNet1.3 等数据集上，该框架优于弱监督和强监督基线，达到了与前一强监督方法相当的性能。

    Jun, 2020

  • 在线动作检测

    该研究针对在线动作检测问题，提出了一个基于现实数据的真实数据集，并通过分析多种基准方法以及评价协议，展示该问题具有挑战性，为后续在线动作检测研究提供了数据和模型。

    Apr, 2016

  • Action-OOD: 针对鲁棒性的端到端基于骨骼的模型用于非同分布人体动作检测

    我们提出了一种新颖的端到端基于骨架的模型，称为 Action-OOD，用于识别人类动作中的 ODD，通过引入基于注意力的特征融合块和能量损失函数，我们的模型在识别未知类别的能力和分类准确性方面表现出了优越的性能。

    May, 2024