CVPRAug, 2018

2018 年 ActivityNet 大规模活动识别挑战赛总结

PDF
TL;DR第三届 ActivityNet 大型活动识别挑战，旨在识别用户生成视频中的日常生活、高层级、目标导向的活动，并且探寻视觉内容与人类说明之间的联系。
activitynetactivity recognitioncvpr 2018user-generated videossemantic understanding
发现论文，激发创造
  • ActivityNet Challenge 2017 总结

    2017 年 ActivityNet 大规模活动识别挑战赛：结果和参赛者论文总结。

    Oct, 2017

  • 七牛参加 ActivityNet 挑战赛 2018

    本篇论文介绍我们针对 Activitynet Challenge 2018 中的两个任务 ——trimmed activity recognition (Kinetics) 和 trimmed event recognition (Moments in Time)，所采用的基于 non-local 神经网络和 temporal segment 网络的多模态方法，并使用新型的 non-local-based 模型以提高识别准确性，最终我们通过模型融合在 Kinetics 验证集中取得了 83.5% 的 top-1 准确度和 96.8% 的 top-5 准确度，在 MIT 验证集中则取得了 35.81% 的 top-1 准确度和 62.59% 的 top-5 准确度。

    Jun, 2018

  • TinyAction 挑战：在视频中识别真实世界低分辨率活动

    本论文总结了 TinyAction 挑战赛，该挑战赛是在 CVPR 2021 的 ActivityNet 研讨会上组织的，重点是识别视频中存在的真实低分辨率活动。我们提出了一个基准数据集 TinyVIRAT-v2，它由自然发生的低分辨率活动组成，利用数据集进行了当前最先进的动作识别方法。

    Jul, 2021

  • ImageNet 大规模视觉识别挑战赛

    本研究介绍了 ImageNet Large Scale Visual Recognition Challenge 数据集的创建及在对象识别方面的进展，强调了收集大规模地面真实注释的挑战，分析了大规模图像分类和目标检测领域的现状，并将最先进的计算机视觉准确性与人类准确性进行了比较。最后总结了挑战五年来的经验教训，并提出了未来方向和改进措施。

    Sep, 2014

  • 香港中文大学、苏黎世联邦理工学院、深圳先进技术研究院 ActivityNet Challenge 2016 提交

    本文介绍了我们提交至 ActivityNet Challenge 2016 非修剪视频分类任务的方法。我们使用基于时间段网络的基本流程，并通过其他技术提高模型性能。我们使用最新的深度模型体系结构，如 ResNet 和 Inception V3，并引入了新的聚合方案（top-k 和注意力加权池化）。此外，我们以音频作为补充通道，通过应用于频谱图的卷积神经网络提取相关信息。通过这些技术，我们导出了一个深度模型集合，它们共同在测试集上取得了高分类精度（mAP 93.23％），并获得了挑战赛的第一名。

    Aug, 2016

  • 三流网络用于增强动作识别

    该论文提出了两种基于 CNN 的体系结构，包括三种流，可以分别捕捉不同速率的空间和时间信息，并使用双向 LSTM 和注意力机制进一步提高模型性能，实现了人类动作识别任务的最先进表现。

    Apr, 2021

  • YH Technologies 在 ActivityNet Challenge 2018 中

    本文总结和比较分析了我们针对 ActivityNet Challenge 2018 中的五项任务所设计的系统，包括时间动作提议、时间动作定位、视频中的密集事件字幕、裁剪动作识别和时空动作定位。

    Jun, 2018

  • 基于批处理的自拍照片流活动识别重访

    利用可穿戴相机的图像数据，结合卷积神经网络和递归神经网络的优点，提出了一种基于批量处理的系统来识别 21 种日常活动，准确率达 89.85％，优于现有的端到端方法。

    Oct, 2017

  • 细微动作挑战赛的低分辨率动作识别

    本研究旨在解决 Tiny Actions Challenge 实际监控场景中人类活动识别的难题，包括距离影响和类别不平衡等方面，提出了一种综合解决方案。该方案主要引入数据平衡、双分辨率蒸馏框架和模型集成等方法，其中模型集成效果显著优于其他算法，取得领先成绩。

    Sep, 2022

  • UC Merced 征集活动网络挑战 2016

    利用手动载入的运动边界直方图特征和 VGG16、GoogLeNet、C3D 等深层网络的特征，使用线性的 one-versus-rest 支持向量机分类器进行分类任务，并加权平均融合最近的超深度 ResNet-101 的 softmax 得分，从而实现了在 ActivityNet 挑战 2016 中进行长且未修剪视频中的动作识别目标。

    Apr, 2017