ICLRDec, 2019

双流卷积神经网络视频特征学习分析 —— 以斑马鱼游泳节律分类为例

PDF
TL;DR采用深度泰勒分解技术生成热图来突出预测的高相关性输入区域，研究表明用于分析鱼尾稳定性的卷积神经网络 (CNN) 更好地区分斑马鱼的泳动方式，并探究网络对实验人为因素的关注点，移除后 CNN 分类准确率提高至 96.32%，证明了 AI 的可解释性对 CNN 的有用性。
发现论文，激发创造
  • 评估两流 CNN 用于视频分类

    该论文以深度学习为基础，通过研究网络架构、模型融合、学习参数和最终预测方法等等选项对视频分类进行了深入研究，并在两个流行的视频分类基准测试中获得了竞争力极强的结果。

    Apr, 2015

  • 卷积神经网络中的特征表示

    本文旨在深入探究 CNN 中的特征方面，发现 CNN 特征映射可用于随机森林和 SVM，以产生超越原始 CNN 的分类结果；使用较低层次的特征可以获得更好的分类结果。

    Jul, 2015

  • 动作识别的深度卷积特征多核学习

    采用多核支持向量机和多流深度卷积神经网络相结合的方法，在多个方面如摄像机视角、视频质量等具有挑战性的 HMDB-51 数据集上，实现了接近最先进技术的 51 种活动识别问题的性能，同时也表现出人类级别的视觉理解能力，并且结合了改进的稠密轨迹和多跳特征叠加等人工手工制造特征补充了性能。

    Jul, 2017

  • 超越短片段：用于视频分类的深度网络

    本论文提出和评估了几个深度神经网络架构，用于对比以往更长时间段内视频图像信息的组合。通过一些新的方法，包括卷积时间特征池化和循环神经网络结构，该论文指出最佳神经网络在 Sports 1 million 数据集（73.1％对 60.9％）和 UCF-101 数据集中（88.6％对 88.0％）及无附加光流信息（82.6％对 72.8％）上明显性能提高。

    Mar, 2015

  • 重新思考时空特征学习：视频分类的速度和准确性权衡

    本研究通过优化设计网络结构，系统地探讨了关键网络设计选择，包括将大量 3D 卷积替换为低成本的 2D 卷积、可分离的空间 / 时间卷积和特征门控等，进而建立了一个有效而高效的视频分类系统。实验表明本文方法不仅速度更快，而且在行动分类基准测试（Kinetics、Something-something、UCF101 和 HMDB）以及两个行动检测（本地化）基准测试（JHMDB 和 UCF101-24）中的分类效果也比其他方法更有竞争力。

    Dec, 2017

  • 利用卷积神经网络将连续视频转换为简单的信号以进行游泳姿势检测

    利用卷积神经网络（CNN）可以在体育领域中自动检测运动员动作的离散事件，提高了视频分析的精度和效率。

    May, 2017

  • 多层神经网络在物体识别中的性能分析

    本文探讨了卷积神经网络在计算机视觉问题中的特征学习，主要关注 CNNs 和工程化表示（如 SIFT 和 HOG）之间的差异。

    Jul, 2014

  • 利用可转移特征的上下文感知学习进行乳腺癌组织学图像分类

    使用基于 CNN 的分类激活特征和重叠图像块的特征来实现基于上下文信息的乳腺癌分类方法。结果表明，该方法在小数据集上比现有算法表现更出色。

    Feb, 2018

  • 视频分类的混合深度学习框架中建模时空线索

    本文提出了一种混合式深度学习框架，旨在对视频的静态空间信息、短期运动以及长期时间线索进行建模，并且在 UCF-101 人体动作和 Columbia 消费者视频两个标注数据集上实验，结果表明该框架相对于传统策略具有更高的性能.

    Apr, 2015

  • 使用 CNN 特征进行 NBI 内窥镜下辅助结直肠肿瘤分类

    本文通过对不同 CNN 模型提取特征，并使用 SVM 分类器进行比较实验，得出在结肠镜图像识别方面，通过提取卷积层的特征即可达到 95% 的识别率，不需使用非 CNN 局部特征。

    Aug, 2016