CVPRApr, 2020

动作识别的时间金字塔网络

PDF
TL;DR提出了一种特征层面上的通用时间金字塔网络（Temporal Pyramid Network），可以在 2D 或 3D 骨干网络中灵活地进行插拔式集成，通过构建功能层次结构来捕捉不同节奏的动作实例，并在几个行动识别数据集上显示出比其他具有挑战性的基线更为一致的改进。
visual tempoaction recognitionfeature hierarchytemporal pyramid networkbackbone networks
发现论文，激发创造
  • 多级时空金字塔网络用于动作检测

    本文提出多级时间金字塔网络（MLTPN）方法，采用多级特征金字塔结构和特征融合模块提高时域动作检测的准确性，在 THUMOS'14 数据集上取得了显著的高于先前最先进的方法的表现。

    Aug, 2020

  • 基于时间金字塔池化的卷积神经网络用于动作识别

    该论文提出了一种新的网络结构，可以允许任意数量的帧作为网络输入，并采用编码层、时空金字塔池化层和特征拼接层解决了 CNN 在视频分类中帧数不定的问题，实验结果表明该方法在使用更少的训练数据时能超越同类方法。

    Mar, 2015

  • 动态时间金字塔网络：更深入地研究多尺度建模用于活动检测

    本文提出了 “动态时间金字塔网络”（DTPN）来解决活动检测领域中的主要挑战，包括如何有效应用多尺度架构以及如何处理活动实例的固有时间尺度变化。通过将多种新设计结合为统一网络，实现了单次推理和端到端训练，从而取得了状态的最佳性能。

    Aug, 2018

  • 视频中的动作识别时间分段网络

    该论文提出了一种称之为 “时间段网络” 的视频级框架，可以学习视频中的动作模型，并在四个具有挑战性的动作识别基准测试中实现了最新的性能。

    May, 2017

  • 视频动作识别的时空金字塔网络

    提出了一种新的空时金字塔网络，将空间和时间特征以金字塔结构融合，从而加强彼此。使用紧凑的双线性运算符实现高效训练的双线性融合操作，最终网络在标准视频数据集上取得了最先进的结果。

    Mar, 2019

  • 动作识别的端到端视频级表示学习

    本研究提出深度网络与时域金字塔池化方法（DTPP）作为一种端到端的视频级表征学习方法，用于解决部分观察训练、无端对端学习、单一时间尺度建模等问题，在 UCF101 和 HMDB51 这两个具有挑战性的视频动作数据集上均取得最先进的表现。

    Nov, 2017

  • 时序段网络：深度动作识别的良好实践

    本文提出了一种新的视频动作识别框架 - TSN，并探究了在时间段网络的帮助下学习 ConvNet 模型的一系列良好实践策略。实验结果表明，本方法在 HMDB51（69.4%）和 UCF101（94.2%）数据集上取得了最先进的性能。我们还可视化了学习到的 ConvNet 模型，定性展示了时间段网络和所提出良好实践的有效性。

    Aug, 2016

  • 时序卷积网络：行动分割的统一方法

    提出了一种统一的时间卷积网络方法，可以逐层捕捉低、中、高层次时间尺度上的关系，在三个公共操作分割数据集上以视频或传感器数据实现了优越或竞争性能，并且可以在较短时间内训练完成。

    Aug, 2016

  • 用于动作分割和检测的时序卷积网络

    介绍了一种新的 Temporal Convolutional Networks 模型，可用于对视频中动作的细粒度分割和检测，具有高效性和良好的表现。

    Nov, 2016

  • TDN：高效行为识别的时序差分网络

    本文提出了一种新的视觉结构，称为 Temporal Difference Network (TDN)，其核心是通过一个高效的 Temporal Difference Module (TDM) 来捕获多尺度信息，以提高动作识别的效率。在 Something-Something V1＆V2 数据集上，TDN 呈现了一个新的最高水平，并且与 Kinetics-400 数据集上的最佳性能持平，同时我们还对 TDN 进行了深入的消融研究和可视化结果的绘制，为时序差分建模提供了全面的分析。

    Dec, 2020