领域特定先验和元学习用于少样本第一人称动作识别

Jul, 2019

领域特定先验和元学习用于少样本第一人称动作识别

Domain-Specific Priors and Meta Learning for Few-Shot First-Person Action Recognition

Huseyin Coskun, Zeeshan Zia, Bugra Tekin, Federica Bogo, Nassir Navab...

TL;DR本文旨在提出一种基于元学习的有效的实现少样本迁移学习的方法，该方法使用局部视觉线索学习表示，以在具有不同场景和动作配置的公共数据集之间进行行为分类模型的迁移。结果表明，该方法在跨类别和跨数据集转移方面效果优于现有的行为分类方法。

Abstract

The lack of large-scale real datasets with annotations makes transfer learning a necessity for video activity understanding. We aim to develop an effective method for few-shot transfer learning for first-person a

video activity understanding transfer learning few-shot learning action classification meta-learning

发现论文，激发创造

基于相对规范对跨领域第一人称音视频动作识别进行对齐

本文提出利用音视频信号的内在互补性来学习一种表示，该表示对于训练数据表现良好，并且能够在不同域之间进行泛化，以增强跨领域第一人称行动识别的能力，结果表明该方法在流行的 EPIC-Kitchens 数据集上具有很强的效果。

Jun, 2021

基于度量的视频动作识别小样本学习

本研究介绍了针对少样本学习的视频动作识别任务，采用双流模型和三种常见的基于度量的算法，通过一组卷积和递归神经网络视频编码器进行训练和评估，证实了双流设置的重要性，并发现原型网络和池化长短期记忆网络嵌入为少样本方法和视频编码器提供了最佳性能。在 Kinetics 600 数据集上进行的 5-shot、5-way 任务中，该设置在测试集上获得了 84.2% 的准确度，而在混淆度较高的 “挑战” 测试集上获得了 59.4% 的准确度。

Sep, 2019

通过从网络图像的域转移，在视频中对细粒度动作进行时间本地化

本研究采用弱监督和跨领域转移学习的方法，结合深度卷积神经网络和长短时记忆网络，实现从未剪辑的网络视频中，对于精细的动作定位识别，并使用大量的数据集如 FGA-240 和 THUMOS 2014，得到了令人信服的结果。

Apr, 2015

跨领域少样本学习视频的 CDFSL-V 模型

提出了一种新颖的跨领域少样本视频动作识别方法，利用自监督学习和课程学习平衡源领域和目标领域的信息以解决多样性之间的挑战。在几个具有挑战性的基准数据集上评估并展示了该方法优于现有的跨领域少样本学习技术。

Sep, 2023

视频动作识别的大规模弱监督预训练

使用大量网络视频进行预训练能够显著提高三个具有挑战性的公共行动识别数据集的性能，并对弱监督视频行动数据集的构建进行了深入研究。

May, 2019

现实场景下的带有区域定位的小样本学习

介绍了三个无需参数的改进方案（a）基于将交叉验证适应到元学习的更好的训练流程，（b）使用有限的边界框注释来定位目标的新型架构，以及（c）基于双线性汇总的特征空间的简单无需参数的扩展，这些改进共同使得算法能够在真实世界的识别问题中表现更好。

Apr, 2019

视频基于少样本行为识别模型的跨领域能力理解

本研究在跨领域少样本动作识别问题中，通过系统性评估已有的单领域、基于迁移的和跨领域方法，发现领域差异与性能之间存在相关性，揭示了一些对 CD-FSAR 方法有效的模型方面，以及需要进一步发展的方面，希望这些洞见能够激发和指导未来在这些方向上的研究工作。

Jun, 2024

Few-Shot 视频分类的深入研究：新基准和基础线

本文旨在深入研究几种少量数据学习框架用于视频分类的方法，通过提出基于分类器的基线模型等贡献，发现现有的度量学习法存在的局限性，并发现新行动类别和 ImageNet 物体类别之间高度相关，最终提出了一个新的基准数据集以促进未来的少样本数据的视频分类研究，该代码将在指定网址上公开。

Oct, 2021

基於知識轉移的少樣本物體檢測

本文提出了一种基于少量样本和元学习的物体检测方法，使用原型知识转移和基于图的显式先验知识，验证了该方法在 PASCAL VOC 数据集上的有效性。

Aug, 2020

零样本和少样本动作识别的生成式方法

本文提出了一种零样本动作识别的生成性框架，该框架基于建模每个动作类，使用代表该动作类的属性向量的概率分布的参数的函数。特别地，我们假设视觉空间中任何动作类的分布参数都可以表示为一组基向量的线性组合，其中组合权重由动作类的属性给出。这篇文章的实验表明，和各种基线模型相比，在标准零样本和归纳 / 转导的情况下，我们的方法都获得了显着的性能提升。

Jan, 2018