ICCVJul, 2019

BMN: 时间动作提议生成的边界匹配网络

PDF
TL;DR提出一种名为 “Boundary-Matching Network（BMN）” 的有效、高效、端对端的建议生成方法，可以同时生成具有精确时间边界和可靠置信度分数的建议，提出 BM 机制来评估密集分布的建议的置信度得分，以及将所有密集分布的 BM 对结合成 BM 置信度图，测试结果在 THUMOS-14 和 ActivityNet-1.3 数据集上表现出一定优越性。
temporal action proposal generationboundary-matching mechanismbmntemporal boundariesaction detection
发现论文，激发创造
  • BSN: 临界敏感的网络用于时间活动提议生成

    本研究提出了一种基于局部到全局思想的 Temporal action proposal 生成方法，命名为 Boundary-Sensitive Network (BSN)。实验结果表明，BSN 在 ActivityNet-1.3 和 THUMOS14 数据集中，相较于其他先进 Temporal action proposal 生成方法，具有高的召回率和高的时间精度。此外，将现有的行动分类器与 BSN 结合使用，能够显著提高时态动作检测性能。

    Jun, 2018

  • 边界内容图神经网络用于时序动作提案生成

    提出了一种边界内容图神经网络（BC-GNN）来生成高质量的时间性建议，通过神经网络模拟时间性建议的边界和行动内容之间的相互关系，显著提高了行动理解的准确性和效率。

    Aug, 2020

  • 上下文感知提议网络用于时间动作检测

    本技术报告介绍了我们在 CVPR-2022 AcitivityNet 挑战赛中获取的第一名的解决方案，该解决方案旨在为长型未修剪视频中的特定类别的动作实例定位时间边界，并且通过提出 Context-aware Proposal Network (CPN) 等创新技术，在提高精度方面大有改进。

    Jun, 2022

  • 时间动作检测的关系网络提案

    本技术报告介绍了我们在 AcitivityNet 2021 挑战赛中针对时间动作检测任务提出的解决方案。我们通过使用 BMN、slowfast、CSN 和 ViViT 等方法来进行动作分类和特征编码，改进 BMN 算法的提案生成和行为检测以及不同设置下的结果综合，最终在测试集中取得 44.7% 的平均 mAP，相较于 ActivityNet 2020 冠军成绩提高了 1.9%。

    Jun, 2021

  • 通过密集边界生成器快速学习时间动作建议

    本篇论文提出了一种名为 Dense Boundary Generator (DBG) 的生成时间性行动提案的高效统一框架，该框架通过实现边界分类和行动完整性回归以获取密集分布提案中的精确时间提案边界和可靠的行动置信度

    Nov, 2019

  • 边界感知的时序动作定位的提案生成方法

    通过引入对比学习，并将背景帧作为难负样本，提出了一种独立于现有 Temporal Action Localization（TAL）网络架构的边界感知候选生成方法（BAPG），用于改善 TAL 的性能。在 THUMOS14 和 ActivityNet-1.3 数据集上的实验结果表明，BAPG 能够显著提升 TAL 的性能。

    Sep, 2023

  • 时间融合网络用于时序动作定位：提交至 ActivityNet Challenge 2020（E 任务）

    本技术报告分析了我们在 Activitynet Challenge 2020 中使用的一种时间动作定位方法，该方法利用视频级别特征信息训练多个视频级别动作分类模型，并应用 BMN 等方法产生高质量的时间提案，再通过级联结构网络 Refine Network 和多种模型融合方法，实现了在 HACS 比赛中 Rank1 的好成绩。

    Jun, 2020

  • 带有背景约束的时间行为提议生成

    该论文提出了一个新的背景约束思想，通过利用背景预测分数来限制提议的置信度，从而进一步压制低质量的提议，详细介绍了该方法在行动定位任务上的成果.

    Dec, 2021

  • BSN++：时序动作提议生成的互补边界回归器和尺度平衡相关建模

    本文提出了 BSN ++，它是一个新的框架，利用互补的边界回归器和关系建模进行时间提案生成，对先前方法忽略的提议 - 提议关系进行核算，并利用比较性边界匹配机制提高边界精度。在 ActivityNet-1.3 和 THUMOS14 等基准测试中，BSN ++ 的性能达到了最先进的水平。

    Sep, 2020

  • 稀疏多级边界生成器加速时间动作建议的学习

    提出了一种新的模型 ——Sparse Multilevel Boundary Generator (SMBG)，通过边界分类和动作完整性回归来提高边界敏感方法的效率，引入了稀疏特征提取置信度头来优化提议特征生成器，并提出了全局指导损失来改善多支路之间的协同和平衡正负样本，在两个流行的基准 ActivityNet-1.3 和 THUMOS14 上评估，结果表明 SMBG 提供了一种更高效和简单的解决方案，可能会提高计算机视觉领域中视频分析中的时间动作定位的准确度和速度。

    Mar, 2023