CVPRDec, 2017

压缩视频动作识别

PDF
TL;DR通过对压缩视频进行深度网络培训，利用视频压缩技术，获得了更高密度的信息、4.6 倍于 Res3D 和 2.7 倍于 ResNet-152 的速度以及在 UCF-101、HMDB-51 和 Charades 数据集上均优于其他方法的性能。
deep video representationstrainingvideo compressionmotion informationaction recognition
发现论文，激发创造
  • 模拟原始域：在压缩领域中加速动作识别

    本文提出了一种基于压缩视频领域的新方法，旨在通过利用运动向量和残差来加速计算并减少网络参数，在三个常用数据集上实验表明该模型不仅能够保持较高的准确率还具备更高的识别效率。

    Nov, 2019

  • 使用细化动态矢量的压缩视频动作识别

    本文提出了一种有效地利用现代视频压缩技术的运动矢量和残余的方法来学习原始帧的表征，并大大减少时域冗余，从而提高视频处理模型的速度。通过用优化的方法去除不可靠的运动信息，我们取得了与 CoViAR 同样好的结果。

    Oct, 2019

  • 深度视频动作识别的全面研究

    本文综述了 200 多篇关于视频动作识别的深度学习论文，介绍了 17 个影响模型设计的数据集和深度学习模型的发展历程，包括深度学习适应、双流网络、3D 卷积核和计算效率模型，并对几种方法在典型数据集上进行了基准测试，最后，讨论了视频动作识别面临的问题和未来的研究机会。

    Dec, 2020

  • 利用视频编码知识进行深度视频增强

    本文提出了一种新的框架，利用视频压缩的低延迟配置和上下文自适应视频融合方法，提高 BasicVSR ++ 方法的质量，已在 NTIRE22 挑战中得到验证，并在定量指标和视觉质量方面与之前的方法相比均有所提高。

    Feb, 2023

  • 利用压缩帧大小实现超快速视频分类

    通过检查视频的后压缩比特流进行分类，我们提出了一种新颖的方法，消除了对比特流解码的需求，并在性能上超越了传统的动态时间规整算法。

    Mar, 2024

  • 大小网络与深度时间聚合学习高效视频表示

    本文介绍了一种基于低分辨率帧和高分辨率帧的轻量级、节省内存的行动识别架构，通过 FLOPs 降低 3~4 倍，内存使用降低 2 倍，利用提出的时间聚合模块来模拟视频中的时间依赖性。该模型在多项行动识别基准测试中表现良好。

    Dec, 2019

  • 基于神经网络的图像和视频压缩技术综述

    本文系统、全面地回顾了基于神经网络的图像和视频压缩技术的发展现状及未来趋势。特别是，介绍了通过深度学习和 HEVC 框架实现的先进视频编码技术，并回顾了基于神经网络的端到端图像和视频编码框架，展示了他们在生成高效率信号表示结构方面的探索和未来的研究趋势。

    Apr, 2019

  • 用于视频动作识别的双流卷积神经网络

    本文提出了一种基于深度卷积神经网络的两通道 ConvNet 架构，结合了空间和时间网络，利用稀疏光流信息进行训练并使用多任务学习提高模型性能，成功地提高了视频动作识别的准确率。

    Jun, 2014

  • 压缩成像中的无重建动作推断

    本文提出给予高压缩比摄像头的运动识别的无重建方法，通过空时粉碎滤镜提取保留在压缩测量中的非线性属性进行特征提取，并在公共数据库上进行实验，表明识别率可以与未压缩设置中的神谕方法相当。

    Jan, 2015

  • 准确快速压缩视频字幕生成

    在压缩领域中，通过使用简单而有效的端到端转换器实现从压缩视频中进行学习并进行视频字幕生成，该方法在不同基准测试中取得了最先进的性能，并且运行速度比现有方法快近 2 倍。

    Sep, 2023