CVPRNov, 2017

训练、诊断和修复：一种可解释的细粒度动作识别方法

PDF
TL;DR该论文提出了一种利用系统化解释来解释 Residual Temporal Convolutional Networks 模型参数和隐藏表示的方法，同时基于模型解释分析的发现，提出一种针对各种识别模型的目标细化技术，验证表明该方法是一种有效的模型学习策略，使得多流 Residual Temporal Convolutional Network 在行为识别中表现出卓越的性能。
deep learningresidual temporal convolutional networksaction recognitionmodel interpretationtargeted refinement
发现论文，激发创造
  • 可解释的基于时态卷积网络的 3D 人体动作分析

    本文提出了一种使用新型解释性模型 TCN 进行 3D 人体动作识别任务的方法 Res-TCN，并在最大的 3D 人体动作识别数据集 NTU-RGBD 上取得了最新的成果。

    Apr, 2017

  • 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

  • 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

  • 深度概念级逐帧卷积神经网络用于动作定位

    本文提出了一种概念级别的时间卷积层（CTC），用于训练深度行动本地化神经网络，通过在每个概念上分别使用多个时间滤波器捕捉不同概念的共同时间模式，极大地丰富了表示能力，通过堆叠 CTC 层，提出了一种深度概念级别的时间卷积神经网络（C-TCN），在 THUMOS'14 上将 mAP (%) 从 42.8 提高到 52.1，相对提高了 21.7\%。

    Aug, 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

  • MS-TCN++：基于多阶段时间卷积网络的动作分割

    本文提出了一种多阶段架构的深度学习模型，通过利用扩张时间卷积和双重扩张时间卷积层，实现了在长时间的未修剪视频中对动作进行准确的时序分割，并在三个数据集上取得了最先进的结果。

    Jun, 2020

  • 粗到细的多分辨率时间卷积网络

    本文提出了一种新的带有多分辨率的粗到细结构解码器来处理序列断裂问题，使用多分辨率特征增强策略增强训练来提高对于不同时间分辨率的鲁棒性，同时提出了一个视频级别的行为损失来支持架构和鼓励序列的连贯性，在三个时间视频分割基准测试中打破了现有技术的记录。

    May, 2021

  • 朝着可解释的人脸识别

    提出了一种基于深度卷积神经网络的面部识别方法，该方法通过结构化和特征多样性损失，学习易于解释的面部表示，并证明其在三个面部识别基准上提高了准确性。

    May, 2018

  • 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

  • 基于 CNN 的时空表示深度分析用于行为识别

    本文分析基于 2D 或 3D CNN 的视频动作识别方法，比较这些方法之间的区别和进展，并开发了一个统一框架进行公平比较，发现在动作识别方面取得了显著的提高，但准确性未有进展，探究了 2D-CNN 与 3D-CNN 模型在时空表示能力和可传递性方面的相似之处。

    Oct, 2020