ICCVJul, 2021

面向开放集合行为识别的证据深度学习

PDF
TL;DR本文提出了一种基于 Deep Evidential Action Recognition（DEAR）的方法，该方法通过模型校准、对抗学习等方式，对开放测试集中的动作进行识别，并有效介入了人体动作的静态偏差。实验表明，该方法应用于多个主流动作识别模型和基准测试中，均可获得显著的性能提升。
deep evidential action recognitionopen-set recognitionmodel calibrationstatic bias mitigationcontrastive learning
发现论文，激发创造
  • 基于多标签证据学习的开放集行为识别

    提出了一种基于 MUlti-Label Evidential 学习的方法，使用 Beta Evidential 神经网络评估多种不确定性，添加证据去偏执约束来优化模型，并结合不确定性和置信度机制来检测新颖行为，实验表明这一方法在单 / 多演员，单 / 多动作的情况下实现了良好的性能。

    Feb, 2023

  • 深度视频动作识别的全面研究

    本文综述了 200 多篇关于视频动作识别的深度学习论文，介绍了 17 个影响模型设计的数据集和深度学习模型的发展历程，包括深度学习适应、双流网络、3D 卷积核和计算效率模型，并对几种方法在典型数据集上进行了基准测试，最后，讨论了视频动作识别面临的问题和未来的研究机会。

    Dec, 2020

  • OpenTAL: 面向开放集合的时序动作定位

    本文提出了 OpenTAL 框架，以 Evidential Deep Learning 为基础解决了开放场景下不可避免的未知动作问题，该框架由三个方面组成：具有不确定性的动作分类、动作性预测和时间位置回归，实验结果证明了该方法的有效性。

    Mar, 2022

  • 视频数据中人类行为识别的深度学习方法

    通过对深度学习模型的全面分析，这项研究揭示了卷积神经网络、循环神经网络和两流卷积神经网络在人体动作识别中的优势和性能差异，并强调了综合模型在实现强大的人体动作识别方面的潜力和优化的研究方向。

    Mar, 2024

  • 通过程序生成视频以训练深度动作识别网络

    通过建立一个可解释的参数生成数码，我们使用程序生成和其他现代游戏引擎的计算机图形技术生成了一组逼真、多样化和符合物理规律的人类动作视频，含 39,982 个视频。利用 UCF101 和 HMDB51 数据集的实验表明，我们的方法可以通过结合使用大量合成视频和小型真实数据集，大幅提高识别性能，明显优于现有的无监督生成模型的微调。

    Dec, 2016

  • 持续证据深度学习用于外部分布检测

    该研究论文提出了一种将证据深度学习方法与持续学习框架相结合的方法，能够同时进行增量对象分类和越界检测，在 CIFAR-100 数据集上的实验结果显示，该方法在对象分类和越界检测方面表现出色。

    Sep, 2023

  • 一种基于深度学习的人体动作单张图像解析模型

    本文主要研究如何通过使用深度置信网络方法来融合人体布局和周围信息从静态图像中理解人体行为，并使用手动标记的数据来改善网络的训练和微调阶段的效率。结果表明该方法具有较好的鲁棒性和优异的性能。

    Feb, 2015

  • ODN：打开深度网络进行开放式动作识别

    本篇文章提出了一种新型 Open Deep Network (ODN) 架构，用于处理 Open-set action recognition 中的新类别检测和识别问题，并且可以更好地适应实际应用场景，在实验中达到了很优秀的表现。

    Jan, 2019

  • 视频人体动作识别中的深度神经网络：综述

    本篇论文研究了基于视频的人体行为识别任务，通过比较现有的深度学习框架（尤其是视频动作识别的表现）和机器学习框架，提出了多项新颖的研究方案。

    May, 2023

  • 零样本动作识别的详细排练

    本文提出了一种基于 Elaborative Rehearsal 技术的 ER-enhanced ZSAR 模型，该模型使用 Elaborative Description 和 Elaborative Concepts 来扩展动作类别以及提高视频语义，从而实现了零样本行为识别任务的最新成果，并在与 few-shot learning 模型的比较中提供针对 Kinetics 数据集的全新 ZSAR 评估方案。

    Aug, 2021