Apr, 2020

深度学习视频预测技术综述

PDF
TL;DR本文回顾了用于视频序列预测的深度学习方法，定义了视频预测的基础知识、强调其对表示学习的潜在能力和现有的方法，并提供了数据集和实验结果，以评估其在定量基础上的最新技术进展。最后，总结了这一领域的一般结论、未来的研究方向和挑战。
发现论文，激发创造
  • 视频预测综述：从确定性到生成方法

    该论文综述了视频预测领域的历史和现代工作，包括广泛应用的数据集和算法，并提出了一个以视频预测算法的随机性为中心的新的分类方法。该分类方法强调了从确定性到生成性预测方法的渐进转变，突显了方法的重大进展和转变。

    Jan, 2024

  • 关于视频分割的深度学习技术调查

    该论文综述了在视频分割中使用的深度学习算法，其中包括了对象分割和语义分割，同时提供了这两种方法和数据集的详细概述，以及在几个知名数据集上的性能评估和未来研究的机会。

    Jul, 2021

  • 视频分类与字幕的深度学习

    本文主要关注于评估使用深度学习来理解视频中的内容的两个方向，即视频分类和视频字幕生成，并对常用基准和竞赛进行了回顾。

    Sep, 2016

  • 应用于视频分析系统的机器学习方法综述

    该研究论文通过调查机器学习技术在视频分析领域的发展情况，总结了用于人体活动识别的最流行的深度学习方法，其中涵盖了不同于由多个参与者在长时间内执行多个活动支配的现实数据集的标准数据集，介绍了在成功检测到相关对象后，通过训练仅用于检测单一活动的低参数模型（参数数量减少了 200X 或者 1,000X）的使用。然后，该研究论文总结了专门用于处理少量标记视频样本的机器学习方法，目的是描述现代技术，以减少用于训练和测试视频分析系统所需的基本真实数据量，该部分还包括无监督学习、半监督学习、主动学习和零样本学习在视频分析应用中的发展，以及每种方法的代表性例子。

    Dec, 2023

  • 基于示例指导的视频预测

    本研究提出了一个简单而有效的框架，可以通过利用前序训练数据中的潜在分布来预测合理的未来态势。该框架融合了一种新颖的优化方案，并且在量化和定性方面的实验中得到了显著的提高。同时，我们的方法可以与现有的随机预测模型无缝集成，具有预测未见类别运动的潜力。

    Jul, 2020

  • 深度视频表示学习综述

    该论文提供了对视频表示学习的综述，对于顺序视觉数据的时空特征学习方法进行分类，并比较它们在视频分析中的优缺点。

    May, 2024

  • 视频自监督学习综述

    本篇综述论文讨论了自监督学习在视频领域的应用，主要归纳了四种不同的自监督学习方法，分别为预测任务、生成式学习、对比学习和跨模态协议，并讨论了现有方法的局限性和未来发展方向。

    Jun, 2022

  • 用显式的程序化知识引导视频预测

    我们提出了一种将领域的程序化知识集成到深度学习模型中的通用方法，并通过基于物体为中心的深度模型对视频预测进行应用，表明这比仅使用数据驱动模型能够获得更好的性能。我们开发了一种使潜在空间解缠结的架构，以利用集成的程序化知识，并建立了一个允许模型在潜在空间中通过视频预测的下游任务学习程序接口的设置。我们将其性能与最先进的数据驱动方法进行对比，并展示了纯数据驱动方法困难的问题可以通过使用领域知识来处理，从而提供了不仅仅是收集更多数据的替代方法。

    Jun, 2024

  • 基于深度学习的单张图像视觉路径预测

    本研究提出了一种深度学习框架，同时进行视觉表示的深度特征学习以及时空上下文建模，以实现准确的视觉路径预测，并构建了基准数据集进行综合性评估，得到了优于现有方法更好的泛化能力和性能表现。

    Jan, 2016

  • 计算机视觉任务的深度学习综述

    本文旨在概述深度学习算法在计算机视觉领域的应用，包括图像分类，目标识别，图像提取和语义分割等方面，同时讨论了构建和训练深度神经网络面临的未来范围和挑战。

    Apr, 2018