学习基于能量的时空生成性卷积神经网络以获取动态模式
本文提出了一种多网格方法,用于学习基于能量的图像生成 ConvNet 模型,展示了其在生成更逼真的图像方面优于原始的对比散度和连续对比散度。
Sep, 2017
通过学习生成模型的规则运动模式,提出两种基于自动编码器的无监督方法来感知视频序列中有意义的活动,并在定量和定性方面进行测试,表明其在异常检测数据集上具有竞争性表现。
Apr, 2016
本文介绍了一种新颖的分层时空方向表示,用于时空图像分析,并将多层 ConvNets 的优点与更可控的时空分析方法相结合。它的一些关键方面是无需学习,采用理论推导进行设计,并具有循环性质、交叉通道特征汇集和层级结构。它在动态纹理识别方面性能表现优异。
Aug, 2017
利用大量未标记的视频来学习场景动态的模型,提出了一种具有时空卷积结构的生成对抗网络来生成视频,该模型能够更好地预测静态图像的合理未来,并且能够识别动作的有用特征,这表明场景动态是表示学习的一个有前途的信号。
Sep, 2016
本篇论文研究了如何学习从视频中提取运动信息。作者提出可以将空间变换检测看作是检测图像序列和运动序列中的 features 同步,提出了一种基于本地乘法门控的快速学习规则,可以在只需花费特征学习时间的一小部分时间内实现在广泛的运动估计任务中竞争性的性能,并且可以通过一定的方法甚至跑过手工处理的时空特征。作者还揭示了学习同步的过程可以被视为在著名的运动能量模型中进行贪婪参数估计。
Jun, 2013
该研究提出采用概率建模的方法,基于图像和动态信息,使用交叉卷积网络结构来合成多个可能的未来帧,并能够实现物体运动的真实感合成和学习出物体的外观与运动的紧凑编码。同时,提出了可视类比和视频外推等应用方案。
Jul, 2018
本研究研究了动态生成模型的空间 - 时间过程,如视频数据中的动态纹理和动作序列,模型通过一个生成模型产生视频序列中的每个时间帧,生成模型是潜在状态向量的非线性转换,并由自回归模型控制。
Dec, 2018
基于 ImageNet 预训练的 ConvNets 在图像识别方面已经得到了证明,但是为了捕捉到运动模式,仍然需要专门的时空特征学习,本文提出了一种经验 ConvNet 架构搜索方法,通过 3D 残差 ConvNet 实现,其在 Sports-1M、UCF101、HMDB51、THUMOS14 和 ASLAN 上的表现均优于 C3D,且推断时间减少一半、模型大小减小一半,具有更紧凑的表现形式。
Aug, 2017
提出了一种基于空间 - 时间图卷积网络 (ST-GCN) 的骨架识别模型,该模型能够在不借助人工干预的情况下自动学习骨架在空间和时间上的表现,并且在动作识别以及泛化能力方面远优于之前的方法。
Jan, 2018