ICCVOct, 2019

ReActNet：现实世界视频中重复活动的时间定位

PDF
TL;DR本文提出了一种使用卷积神经网络对视频进行表示并使用 ReActNet 对视频进行分类的方法，以定位视频中的有重复运动的部分。该方法可处理任何数量和持续时间的重复段，并具有较好的通用性和性能。
temporal localizationrepetitive activitiesconvolutional neural networkreactnetvideo representation
发现论文，激发创造
  • 基于循环神经网络的未剪辑视频时序活动检测

    探讨在视频中使用卷积神经网络和循环神经网络来分类和定位活动的不同方法，并提出了一种实现方法，最终开发出了一个在 CVPR ActivityNet 2016 挑战中实现了竞争力结果的简单灵活的神经网络架构。

    Aug, 2016

  • 穿越时间：视频活动的有效定位

    本文介绍了一种基于强化学习的视频定位技术，使用文本和视频的精细特征表示来准确定位语言查询中的片段，并仅浏览整个视频的 32-41% 以节约处理时间。

    Apr, 2019

  • 全分辨率重复计数

    本文提出结合离线特征提取和时间卷积网络从全面的时间分辨率角度理解重复动作，设计了不需要下采样即可保留所有重复内容的重复计数网络，并利用动态扩展的时间感受野框架来检索所有重复内容，实验证明该方法优于或可与其他方法相媲美。

    May, 2023

  • 野外类别无关视频重复计数

    本文介绍了一种利用时间自相似性作为中间表征的方法，通过一定的限制来预测视频中重复动作的周期，结果表明，该模型在现有周期性和重复计数基准测试任务上显著超越现有技术，并在新的数据集 Countix 上显示了鲁棒性。

    Jun, 2020

  • 上下文感知和规模无关的时间重复计数

    本研究提出了一种上下文感知、不受时间尺度影响的框架，用于解决复杂重复动作的数量估计问题。通过回归方法和粗到细的循环长度细化方法，该框架能够准确地捕获不同领域的重复模式，此外，还构建了一个新的、最大的基准来促进该领域的训练和评估。

    May, 2020

  • 视频活动定位的时间上下文网络

    该研究提出了一种基于 Temporal Context Network 的方法，能够精确地定位人类活动的时间，并在两个数据集上优于当今最先进的方法。

    Aug, 2017

  • 在线动作检测的时序循环网络

    本文提出了一种新颖的框架 Temporal Recurrent Network (TRN) 来模拟视频帧的时间上下文，在线执行行动检测并预测即将发生的行动，实现了累积历史证据和预测未来信息相结合的在线识别方式，并在 HDD、TVSeries 和 THUMOS'14 三个数据集上进行评估，表明 TRN 的性能显著优于现有技术。

    Nov, 2018

  • 无遗漏：全视频动作识别

    通过对视频帧进行时间聚类，提出了一种全视频行为识别方法，相较于现有的基于帧采样的方法效果更好，同时由于采用了时空局部聚类和快速的哈明距离计算方法使其训练高效。

    Mar, 2021

  • 视频帧瞥片段的端到端动作检测学习

    该研究提出了一种直接预测动作时间边界的完全端到端的方法，其中模型作为一个基于循环神经网络的智能体与视频交互，并使用 REINFORCE 来学习决策策略，取得了 THUMOS'14 和 ActivityNet 数据集的最先进结果。

    Nov, 2015

  • 学习视频序列中的时间规律

    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