TAEN：适用于少样本动作识别的时间感知嵌入网络

Apr, 2020

TAEN：适用于少样本动作识别的时间感知嵌入网络

TAEN: Temporal Aware Embedding Network for Few-Shot Action Recognition

Rami Ben-Ari, Mor Shpigel, Ophir Azulai, Udi Barzelay, Daniel Rotman

TL;DR该论文提出了基于少量学习设计的 Temporal Aware Embedding Network (TAEN), 用于低样本动作识别，并在 Kinetics-400 和 ActivityNet 1.2 few-shot 数据集上得到了令人满意的结果。

Abstract

Classification of new class entities requires collecting and annotating hundreds or thousands of samples that is often prohibitively costly. Few-shot learning suggests learning to classify new classes using just a few examples. Only a small number of studies address the challenge of few-shot

few-shot learning spatio-temporal patterns taen action recognition video classification

发现论文，激发创造

TA2N: 用于少样本动作识别的两阶段动作对齐网络

本文提出了一个基于 Two-stage Action Alignment Network (TA2N) 的方法，通过学习时间仿射变换来定位动作并解决时空分布不一致的问题，从而在几个样本的情况下识别新的动作类别，并在基准数据集上实现了最先进的表现。

Jul, 2021

TARN: 时间注意力关系网络用于少样本和零样本动作识别

本文提出了一种基于时间注意力关系网络的方法，通过利用注意力机制执行时间对齐，并在视频片段级别上学习深度距离度量，从而在少样本和零样本动作识别方面取得了优越的实验结果。

Jul, 2019

基于度量的视频动作识别小样本学习

本研究介绍了针对少样本学习的视频动作识别任务，采用双流模型和三种常见的基于度量的算法，通过一组卷积和递归神经网络视频编码器进行训练和评估，证实了双流设置的重要性，并发现原型网络和池化长短期记忆网络嵌入为少样本方法和视频编码器提供了最佳性能。在 Kinetics 600 数据集上进行的 5-shot、5-way 任务中，该设置在测试集上获得了 84.2% 的准确度，而在混淆度较高的 “挑战” 测试集上获得了 59.4% 的准确度。

Sep, 2019

一种基于语义和运动感知的时空转换网络实现动作检测

本文介绍了一种新颖的时空变换网络，其中引入了几个原创组件以在未修剪视频中检测动作。该网络通过多特征选择性语义注意力模型计算空间和运动特征之间的关联，使用运动感知网络编码视频帧中的动作位置，并采用序列基础的时间注意力模型捕捉动作帧中的异质时间依赖关系，该方法在四个时空动作数据集上优于最先进的解决方案：AVA 2.2、AVA 2.1、UCF101-24 和 EPIC-Kitchens。

May, 2024

Few-shot 动作识别的时空关系建模

本文提出了一种新颖的 few-shot 动作识别框架 STRM，该框架通过聚合表示空间和时间上下文并学习高阶时间表示来增强类特定特征的可区分性，并在局部补丁级别和全局帧级别的特征补充子模块中捕获出现的特征，通过在不同阶段加强特征学习，并在四个基准数据集上进行实验，取得了领先的结果。

Dec, 2021

骨骼少样本动作识别的时空视角传输规划

提出了一种基于 JEANIE 的 3D 骨骼动作识别少样本学习方法，包括动态时间扭曲、简单光谱图卷积、线性图神经网络骨干和基于相似性的损耗函数，达到了在 NTU-60，NTU-120，运动学 - 骨骼和 UWA3D Multiview Activity II 数据集上的最先进的结果。

Oct, 2022

通过时间对齐的少样本视频分类

本文提出了一种新的少样本学习框架 ——“Temporal Alignment Module (TAM)”，通过显式利用视频数据中的时序信息，计算查询视频与新类别代理之间的距离值以实现视频分类，并引入连续松弛以在端到端的学习中直接优化少样本学习目标，最后，在两个真实世界数据集上的评估表明，模型相比各种基线算法在少样本视频分类领域具有明显的提高。

Jun, 2019

关于少样本动作识别中空间关系的重要性

通过整合空间关系和时间信息，本文提出了一种新型的少样本动作识别方法 Spatial Alignment Cross Transformer (SA-CT)，并利用预训练模型进一步提升性能。

Aug, 2023

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

用于时间动作提议生成的代理 - 环境网络

提出了一种基于 Agent-Environment Network 的方法来生成暂时动作建议，并在 THUMOS-14 和 ActivityNet-1.3 数据集上得到了良好的表现。

Jul, 2021