Dec, 2018

基于演员条件的视频行动检测的注意力地图

PDF
TL;DR本研究提出使用注意力模块中的演员条件化关注映射（ACAM）代替兴趣区域池化，以实现针对特定演员的动作定位，并利用预训练的物体检测器进行物体检测，从而在 AV2.1 和 JHMDB 数据集上获得明显改进。
attention modulespatio-temporalactor conditioningobject detectionaction detection
发现论文，激发创造
  • 可解释的时空注意力视频动作识别

    通过引入可解释的时空注意力机制来提高视频动作识别的准确性和模型解释性，并使用一组正则化器对其进行约束。利用弱监督的方式仅使用分类标签，模型不仅提高了准确性，还能时空自动定位区分性区域。

    Oct, 2018

  • 上下文感知 RCNN：视频中动作检测的基线

    使用 Context-Aware RCNN 方法，将 RoI-Pooling 基于管道的惯常思维挑战，填补了视频行为检测中的空白，迎来了新的思路。

    Jul, 2020

  • 注意力池化用于动作识别

    介绍了一种简单却强大的注意力模型，能够在动作识别和人体对象交互任务中使用。该模型可带或不带额外的监控进行训练，并在不增加网络大小和计算成本的情况下显著提高准确性。它在三个标准动作识别基准测试和 MPII 数据集上取得了显著的改进，并建立了新的最先进技术。在此基础上，我们通过实证和分析对注意力模块进行了详尽的分析，提出了一种新的精细识别问题解决方案。

    Nov, 2017

  • 条件图像匹配的协同关注

    提出了一种新的方法来确定自然环境下图像对之间的对应关系，在大的光照变化、视角变化、语境和材料下进行。该方法引入了一种空间注意力机制和一个独特性得分，能够改善对这些因素变化下的对应关系的检测，并在许多任务中实现了最先进或具有竞争力的结果。

    Jul, 2020

  • 因果关注用于无偏视觉识别

    本文提出了一种因果关系注意力模块，通过自我注释来识别难以预测的混淆变量，从而使深度学习模型更好地处理在分布不同的情况下仍具备鲁棒性的因果特征，不仅解决了监督注释需要高昂成本、混淆变量难以抽象提取等问题，并在相应实验中得到了卓越的结果。

    Aug, 2021

  • 学会关注

    通过加入可训练的注意力模块，使得卷积神经网络在进行图像分类时能够更好地聚焦于感兴趣的区域，进一步提高了模型的稳健性。

    Apr, 2018

  • 基于演员的流视频动作定位表示

    在不需要训练标签和轮廓的情况下，通过连续的分层预测学习构建基于注意力的上下文特征，以学习在流媒体视频中本地化动作的鲁棒表示方法。

    Apr, 2021

  • 使用视觉注意力进行动作识别

    本文提出一种基于 soft attention 的模型，用于对视频中的动作进行识别，该模型使用多层循环神经网络 (RNNs) 和长短期记忆 (LSTM) 单元，学习有选择地专注于视频帧的某些部分，通过几个瞥见来对视频进行分类。该模型主要学习帧中哪些部分与目标任务相关，并赋予它们更高的重要性。我们在 UCF-11 (YouTube Action)、HMDB-51 和 Hollywood2 数据集上评估了该模型，并分析了模型在不同场景和不同动作下注意力的聚焦。

    Nov, 2015

  • ACAT：医学影像分类与检测的对抗性反事实关注

    本文提出了一种基于显著性图的 Adversarial Counterfactual Attention（ACAT）框架，可以没有手动注释地分隔医学影像中感兴趣区域，显著提高了病灶 CT 扫描和肺部 COVID-19 相关发现的分类精度。

    Mar, 2023

  • 演员中心关系网络

    模型人与场景、物体之间的关系有助于精细化人类行为的区分，有别于现有 3D ConvNets 的方法，而采用 actor-centric relational network 以弱监督方式自动挖掘相关要素计算 pair-wise relation，实现 state-of-the-art 表现。

    Jul, 2018