Sep, 2019

基于度量的视频动作识别小样本学习

PDF
TL;DR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。
发现论文，激发创造
  • 基于隐式时间对齐和成对相似度优化的小样本动作识别

    本研究提出了一种基于 LSTM 的 few-shot 动作识别框架，采用了特定的评估设置，隐式序列对齐算法以及新的优化方法，通过在少量数据上最大化同类样本的相似性并最小化不同类之间的相似性来实现 few-shot 动作识别。实验表明，该方法在两个数据集上均取得了较好的效果。

    Oct, 2020

  • 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

  • 变分推断下的小样本活动识别

    我们提出了一种新的变分推断架构（HF-AR）用于少样本活动识别，在三个广泛使用的数据集上展示了在 1-shot 和 5-shot 分类上优于最先进技术的表现。

    Aug, 2021

  • 基于视频检索和特征生成的通用 Few-Shot 视频分类

    本研究提出通过使用 3D CNN 学习视频空时特征并在基类上 fine-tuning 分类器来解决 few-shot video classification 问题，其表现超过现有基准测试的先前方法 20 点以上，同时提出了利用标签检索和生成式对抗网络生成视频特征的方法，以更好地应对无标签示例的需求，并使用更具挑战性的基准数据集对模型进行了评估。

    Jul, 2020

  • 基于度量无关条件嵌入的小样本学习

    提出了一种新的神经网络结构，利用基于目标图像的条件来学习高质量的类别表示，采用动态学习方式进行类别之间的对比，对 Caltech-UCSD 鸟类细粒度分类任务取得了最先进的性能。

    Feb, 2018

  • 领域特定先验和元学习用于少样本第一人称动作识别

    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。

    Jul, 2019

  • 重新考虑用于小样本动作识别的时空建模

    本篇论文提出了 SloshNet，一个新的框架，重新审视少样本动作识别中的空间时间建模，并自动搜索低级和高级空间特征的最佳组合，同时利用 transformer 技术对全局和局部的时间关系进行建模，实现了对四种数据集的优秀结果。

    Jan, 2023

  • 置换不变注意力的小样本动作识别

    本文提出一种基于 C3D 编码器和置换不变池化的模型，针对视频的少样本动作识别任务，通过性质相似的 原始视频块以及注意力机制，使其适用于不同长度和长期依赖模式的变化，同时在 HMDB51、UCF101 和 miniMIT 数据集上表现良好。

    Jan, 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

  • 基于度量的小样本图分类

    本研究针对数据稀缺度的问题，提出了一种利用距离度量学习方法和基于图表征学习的分类模型的 few-shot 学习方法，同时在嵌入空间中实现了任务驱动嵌入，最后提出了一种基于 MixUp 的在线数据增强技术。

    Jun, 2022