高效视频标注的深度学习方法
该研究介绍了在大规模 YouTube-8M 数据集上定义的多标签分类问题的系统的开发,其中使用了多种技术来聚合提供的帧级特征表示并生成视频级预测,包括多种变体的循环神经网络和广义 VLAD,以及多种融合策略来探索模型间的互补性。在官方指标 GAP@20 中,我们最佳的融合模型在公共测试数据的 50% 上达到了 0.84198,在私人测试数据的 50% 上达到了 0.84193,在 650 支队伍中排名第 4。
Jul, 2017
本文介绍了针对 YouTube-8M 数据集进行多标签视频分类的深度神经网络模型,包括帧编码器、分类层、标签处理层和损失函数,并讨论了现有模型在该数据集上的效果及其成功或失败的原因,所提出的模型的大部分性能都高于基线模型,并且最终的模型集合在 Kaggle 比赛中排名第 8。
Jun, 2017
本文介绍了我们参加 YouTube-8M 视频理解挑战的经历和成果,并提供了基于帧级数据的机器学习问题的深入分析和解决方案。我们通过统一平均的多剪辑集成方法,只使用提出的策略就实现了前十名的成绩,同时也介绍了一些有潜力但时间不足无法训练到收敛的方法。希望本文能起到对 YouTube-8M 多标签视频分类基准的一定回顾和指导作用,激发未来尝试和研究的灵感。
Jun, 2017
该论文介绍了一个由 4800 个可视实体组成,由 8 百万个视频(500k 小时的视频)组成的最大多标签视频分类数据集 YouTube-8M,并通过训练各种分类模型和评估它们来作为基准。
Sep, 2016
该论文介绍了我们的解决方案,用于 Google Cloud 和 YouTube-8M 视频理解挑战的视频识别任务,我们通过各种时间建模方法对帧级特征进行聚合以提高多标签视频识别的准确性,并在 Kaggle 的公共测试集上取得了 82.75% 的性能提升。
Jul, 2017
本文基于 YouTube-8M 大规模数据集,提出了三种视频分类模型,分别基于帧池化和 LSTM 网络,第三个模型使用 Experts 混合中间层以增加模型容量,并进行了一系列处理不平衡训练数据的实验。
Jun, 2017
该研究提出了一种结合视频级别和帧级别特征识别的混合模型方法,使用循环神经网络、注意力机制和 1D 卷积模型实现帧级别分类,并使用集成模型在私人测试数据集上实现 GAP 0.8408 的分类效果。
Jul, 2017
本文提出一种多注意力机制的模型来解决视频理解中的时间定位问题,模型结合了多个注意力网络、深度帧模型、循环神经网络和卷积神经网络,并基于多实例多标签学习和 attention 权重来加强对视频中重要帧的关注,从而在 YouTube-8M Video Understanding Challenge 中取得了较好的成绩。
Nov, 2019
利用 NetVLAD 和 NetFV 模型,使用 Huber 损失函数和 YouTube-8M 数据集实现视频分类问题,采用各种技术和优化方法,最终得到 GAP 得分 0.8668。
Aug, 2018