Nov, 2017

视频中动作检测和分割的端到端 3D 卷积神经网络

PDF
TL;DR本研究提出了一种用于视频中动作检测和分割的端到端 3D CNN，利用 3D 卷积特征识别和定位动作，通过平分视频为若干部分，生成不同段落的膜状提议，然后把不同段的提议联系在一起，通过上下文信息实现视频物体分割和动作检测。
3d cnnaction detectionsegmentationencoder-decodervideo object segmentation
发现论文，激发创造
  • 视频中动作检测的管状卷积神经网络 (T-CNN)

    提出了一种名为 T-CNN 的端到端深度网络，用于进行视频中的行为检测，该网络通过 3D 卷积特征识别并定位行为，能够对修剪和未修剪视频中的行为进行分类和定位。

    Mar, 2017

  • 一种高效的用于视频行为 / 物体分割的 3D 卷积神经网络

    本研究提出一种基于卷积神经网络（CNN）的 3D 编码器 - 解码器风格方法来同时汇集空间和时间信息从而用于视频物体分割和视频行为分割，测试结果表明该方法比现有技术具有更高的性能表现。

    Jul, 2019

  • 发现时空动作管道

    本文提出通过静态和运动信息的早期和后期融合检测和跟踪点匹配算法实现视频中时空动作检测，并使用递归 3D 卷积神经网络来预测并确定生成的动作分类和时间边界。通过引入动作足迹图以及 R3DCNN 卷积层中保留的特定空间特征来细化候选框，并在三个公共数据集上获得了优越的检测结果：UCFSports、J-HMDB 和 UCF101。

    Nov, 2018

  • 用于 3D 视频中动作识别的双流 RNN/CNN

    本论文提出了一种通过将循环神经网络和卷积神经网络相结合运用于动作识别的算法，通过 SVM 对特征进行分类，实验结果表明，在标准数据集上，该算法提高了 14% 的识别率。

    Mar, 2017

  • VideoCapsuleNet: 一个简化的行为检测网络

    本研究提出了名为 VideoCapsuleNet 的 3D 胶囊网络，可以实现动作检测和像素级动作分割，其中胶囊池化被引入作为卷积胶囊层的一部分以优化计算。研究结果表明，在多个动作检测数据集上，该网络在检测精度方面均有显著提升。

    May, 2018

  • 寻找动作管道

    本文提出了一种动作检测方法，使用从 2D 图像中物体检测领域的最新进展，利用形状和运动线索建立动作模型，并通过运动显著性选择图像区域提取时空特征建立强分类器，得出了时间一致的动作检测结果。

    Nov, 2014

  • 视频中的动作检测变形管网

    本研究提出了一种由 Deformation Tube Proposal Network（DTPN）和 Deformable Tube Recognition Network（DTRN）组成的 Deformable Tube Network，该网络能够对视频进行空间 - 时间动作检测，并通过建立动作的可变形管来检测动作。实验结果表明，与使用 3D cuboids 的方法相比，Deformable Tube Network 的性能显著提高，并在 UCF-Sports 和 AVA 数据集上获得了最先进的结果。

    Jul, 2019

  • 为视频物体分割提出三维卷积的论点

    本文提出了一种基于 3D 全卷积神经网络的编码 - 解码网络结构，将其应用于视频中的显著对象分割。尝试使用全 3D 卷积来处理外观和运动信息从而实现密集视频预测，并通过 3D 全局卷积层和 3D 细化模块进行编码和解码操作。作者将其应用于 DAVIS'16 无监督，FBMS 和 ViSal 数据集基准测试中，结果表明其效果优于现有状态艺术，同时速度更快，能够高效地学习空间 - 时间特征并产生高质量的视频分割掩码。

    Aug, 2020

  • Skeleton Boxes：使用单个深度卷积神经网络解决基于骨架的动作检测

    本文提出了一种通过骨骼基于视频形象映射和深度回归图像中对象检测的方法，用于解决流媒体 3D 骨架视频中的行为检测问题，经实验证明其表现优越。

    Apr, 2017

  • 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