Aug, 2018

动态时间金字塔网络：更深入地研究多尺度建模用于活动检测

PDF
TL;DR本文提出了 “动态时间金字塔网络”（DTPN）来解决活动检测领域中的主要挑战，包括如何有效应用多尺度架构以及如何处理活动实例的固有时间尺度变化。通过将多种新设计结合为统一网络，实现了单次推理和端到端训练，从而取得了状态的最佳性能。
activity detectionmulti-scale architecturedynamic temporal pyramid networktemporal contextstate-of-the-art performance
发现论文，激发创造
  • 多级时空金字塔网络用于动作检测

    本文提出多级时间金字塔网络（MLTPN）方法，采用多级特征金字塔结构和特征融合模块提高时域动作检测的准确性，在 THUMOS'14 数据集上取得了显著的高于先前最先进的方法的表现。

    Aug, 2020

  • 动作识别的时间金字塔网络

    提出了一种特征层面上的通用时间金字塔网络（Temporal Pyramid Network），可以在 2D 或 3D 骨干网络中灵活地进行插拔式集成，通过构建功能层次结构来捕捉不同节奏的动作实例，并在几个行动识别数据集上显示出比其他具有挑战性的基线更为一致的改进。

    Apr, 2020

  • 用于活动检测的上下文多尺度区域卷积 3D 网络

    本文提出了一种用于活动检测的上下文多尺度区域卷积 3D 神经网络 (CMS-RC3D)，通过使用时间特征金字塔来表示不同时间尺度的活动实例，并在每个时间特征金字塔的级别上都学习了一个针对特定时间尺度的活动建议检测器和活动分类器，以进行更好的识别。 实验结果表明，CMS-RC3D 探测器在处理所有时间尺度范围内的活动时，仅需通过主干网络进行一次，而在 THUMOS14 数据集上比现有方法表现更好，并在 ActivityNet 数据集上实现了可比较的结果，尽管使用了浅层特征提取器。

    Jan, 2018

  • 动作识别的端到端视频级表示学习

    本研究提出深度网络与时域金字塔池化方法（DTPP）作为一种端到端的视频级表征学习方法，用于解决部分观察训练、无端对端学习、单一时间尺度建模等问题，在 UCF101 和 HMDB51 这两个具有挑战性的视频动作数据集上均取得最先进的表现。

    Nov, 2017

  • 基于时间金字塔池化的卷积神经网络用于动作识别

    该论文提出了一种新的网络结构，可以允许任意数量的帧作为网络输入，并采用编码层、时空金字塔池化层和特征拼接层解决了 CNN 在视频分类中帧数不定的问题，实验结果表明该方法在使用更少的训练数据时能超越同类方法。

    Mar, 2015

  • 视频动作识别的时空金字塔网络

    提出了一种新的空时金字塔网络，将空间和时间特征以金字塔结构融合，从而加强彼此。使用紧凑的双线性运算符实现高效训练的双线性融合操作，最终网络在标准视频数据集上取得了最先进的结果。

    Mar, 2019

  • 物体检测的精细动态头

    本研究提出一种 fine-grained dynamic head 方法，结合 Feature Pyramid Network（FPN）和 spatial gate 的机制实现多尺度特征的表示，进一步提高了物体检测的效率和精确度。

    Dec, 2020

  • 多时间尺度轨迹预测用于异常人类活动检测

    提出了一种多时间尺度模型，以在不同时间尺度上捕获异常活动，并通过对不同时间尺度的输入姿势轨迹进行未来和过去预测来检测异常活动。

    Aug, 2019

  • TDN：高效行为识别的时序差分网络

    本文提出了一种新的视觉结构，称为 Temporal Difference Network (TDN)，其核心是通过一个高效的 Temporal Difference Module (TDM) 来捕获多尺度信息，以提高动作识别的效率。在 Something-Something V1＆V2 数据集上，TDN 呈现了一个新的最高水平，并且与 Kinetics-400 数据集上的最佳性能持平，同时我们还对 TDN 进行了深入的消融研究和可视化结果的绘制，为时序差分建模提供了全面的分析。

    Dec, 2020

  • 视频活动定位的时间上下文网络

    该研究提出了一种基于 Temporal Context Network 的方法，能够精确地定位人类活动的时间，并在两个数据集上优于当今最先进的方法。

    Aug, 2017