ICCVMar, 2017

TURN TAP：面向时间动作提议的时间单元回归网络

PDF
TL;DR提出了一种基于 Temporal Unit Regression Network 的 Temporal Action Proposal generation 方法，通过时间坐标回归预测动作提议并改进时间边界，利用视频单元作为时间提议的基本构建块，优化了模型的计算速度，该模型在 THUMOS-14 和 ActivityNet 数据集上表现出较高的性能。
temporal action proposaltemporal unit regression networkvideo analysisthumos-14activitynet
发现论文，激发创造
  • 基于 Transformer 的时域动作提议生成

    本文提出了一种使用 Transformer 网络的统一的时间动作提议生成框架，通过 Boundary Transformer 预测边界信息和 Proposal Transformer 学习关系以实现可靠的置信度评估，结果表明，此方法在时间动作本地化任务上表现出色。

    May, 2021

  • 自适应图增强变压器生成时序动作建议

    利用增强型 Transformer 和自适应图卷积网络来生成明确涉及情境且复杂的视频中的动作提议，以提高提议质量和保持本地上下文关联性。通过 THUMOS14 和 ActivityNet1.3 数据集的实验验证，该方法优于目前的 TAPG 模型。

    Mar, 2021

  • CTAP: 补充时间行为建议生成

    这篇论文提出了一种称为 CTAP 的新型时间行动提案生成器，该生成器将滑动窗口和行动得分分组结合起来进行提案生成，并使用时间卷积神经网络进行提案排名和边界调整，实验结果显示其在 THUMOS-14 和 ActivityNet 1.3 数据集上的平均召回率（AR）远远优于现有技术，并在现有行动检测器中的应用展现出显著的改进。

    Jul, 2018

  • 带有背景约束的时间行为提议生成

    该论文提出了一个新的背景约束思想，通过利用背景预测分数来限制提议的置信度，从而进一步压制低质量的提议，详细介绍了该方法在行动定位任务上的成果.

    Dec, 2021

  • 用于时间动作提议生成的代理 - 环境网络

    提出了一种基于 Agent-Environment Network 的方法来生成暂时动作建议，并在 THUMOS-14 和 ActivityNet-1.3 数据集上得到了良好的表现。

    Jul, 2021

  • 具有关系感知金字塔网络的准确时态行动提案生成

    介绍了 Relation-aware pyramid Network (RapNet) 方法，通过引入新的关系感知模块，同时利用局部特征之间的双向长程关系进行上下文提炼，提升其多层次时间建议生成能力，进而产生具有时间和置信度较高的动作建议。该方法在 ActivityNet 和 THUMOS14 数据集上的实验结果表明优于现有的最先进方法。

    Mar, 2020

  • 上下文感知提议网络用于时间动作检测

    本技术报告介绍了我们在 CVPR-2022 AcitivityNet 挑战赛中获取的第一名的解决方案，该解决方案旨在为长型未修剪视频中的特定类别的动作实例定位时间边界，并且通过提出 Context-aware Proposal Network (CPN) 等创新技术，在提高精度方面大有改进。

    Jun, 2022

  • 时态行为提议精炼的时间上下文聚合网络

    本文提出了一种 Temporal Context Aggregation Network（TCANet）来生成高质量的动作提案，通过本地和全局的时间上下文聚合和补充以及逐步边界细化，等等一连串的动作建议生成算法，以增强方法的临床普适性和可应用性。

    Mar, 2021

  • 动作定位的通用管道提议

    本文提出了一种新的基于视频的行动定位框架，使用管道提案网络 (TPN) 生成通用的、独立于类别、视频级别的管状建议，可用于各种视频分析任务，包括行动识别和定位。与其他方法相比，我们的通用管状建议方法准确、通用，并在平滑 L1 损失函数下完全可微。在标准的 UCF-Sports、J-HMDB21 和 UCF-101 数据集上证明了算法的性能。我们的独立于类别的 TPN 优于其他管状建议方法，我们的统一时间深度网络在所有三个数据集上都实现了最先进的定位结果。

    May, 2017

  • 自监督学习用于半监督的时间动作提议

    本文提出了一种基于自监督学习和半监督学习相结合的时间动作预测模型，其中自监督分支中定义了两个预处理任务，用于学习时间信息的关系结构。实验结果表明，该模型表现优于现有的半监督学习方法和与完全监督方法相媲美。

    Apr, 2021