AAAIDec, 2021

ACGNet: 基于动作补充图网络的弱监督时序动作定位

PDF
TL;DR本文提出了一种基于图卷积神经网络的新方法 ACGNet，用于增强视频级别标注数据下的弱监督时序动作定位问题，取得了在 THUMOS'14 和 ActivityNet1.2 数据集上的优越结果。
weakly-supervisedtemporal action localizationuntrimmed videosgraph convolutional networkacgnet
发现论文，激发创造
  • DDG-Net：基于可区分性的弱监督时序动作定位图网络

    提出了一种名为 DDG-Net 的方法，通过建模歧义片段和有区分性片段之间的良好连接来防止歧义信息的传播并提升片段级表示的区分能力，同时通过特征一致性损失驱动图卷积网络生成更有区分性的表示。该方法在 THUMOS14 和 ActivityNet1.2 数据集上取得了新的最先进结果。

    Jul, 2023

  • 动作图：用图卷积网络进行弱监督的动作定位

    本文提出了一种基于图卷积的弱监督动作定位方法，使用相似性图形显式建模视频片段之间的相似性以及动作的子操作，最终在多个数据集上达到了弱监督动作定位的最新水平。

    Feb, 2020

  • 跨模态共识网络用于弱监督时间动作定位

    本文提出了一种跨模态共识网络以解决弱监督时间动作定位任务中现有特征提取器提取的不是任务特定特征的问题，并使用了跨模态注意机制和相互学习来产生更有代表性的特征。在 THUMOS14 和 ActivityNet1.2 数据集上的实验结果表明，此方法产生的特征实现了时间动作定位的最新成果。

    Jul, 2021

  • ACSNet: 用于弱监督时序动作定位的动作 - 上下文分离网络

    本文引入了 ACSNet 以达到精确的弱监督时间动作定位，即通过关注机制，使用前景 - 背景分支和动作 - 背景分支来区分前景、背景、动作和环境，并使用辅助上下文类别进行扩展标签来帮助学习动作上下文分离，并在 THUMOS14 和 ActivityNet v1.2/v1.3 数据集上进行了实验。本文提出的 ACSNet 在现有的 WS-TAL 方法中获得了巨大的优势。

    Mar, 2021

  • 跨视频上下文知识的探索和利用，减少弱监督时序动作定位的歧义

    通过在数据集中探索并利用跨视频的上下文知识，我们的研究提供了一种新方法来间接改善对细粒度行动模式的整体理解，并减少模糊性。通过提出一个端到端框架，我们的方法在几个数据集上得到了比最先进方法更好的表现。

    Aug, 2023

  • 基于局部全局背景建模的弱监督时序动作定位

    本研究基于 BaSNet 的 WS-TAL 任务使用 MIL 训练了 Local-Global Background Modeling Network（LGBM-Net）模型，通过集成多个模型获得最终检测结果，测试集 mAP 达到 22.45%。

    Jun, 2021

  • 双向语义一致性约束的弱监督时间动作定位

    该研究提出了一种名为双向语义一致性约束的方法来改善当前弱监督下的视频分类及定位发现问题。该方法采用时间相关增强来打破正样本动作与其 co-scene 动作之间的相关性，通过语义一致性约束来获得足够的信息区分两者，从而较好地应用于当前的 WTAL 方法，并且在 THUMOS14 和 ActivityNet 数据集上取得了较好的性能。

    Apr, 2023

  • ACM-Net: 弱监督时间动作定位的动作上下文建模网络

    本文提出了一种称为 ACM-Net 的动作上下文建模网络，它在体现动作实例、上下文和非动作背景部分的同时，采用了三分支注意模块来给每个时间点分手概率，并构建了三分支类激活序列来分别表示这三部分，通过在 THUMOS-14 和 ActivityNet-1.3 上的实验证明了这种方法能够胜过当前最先进的方法，甚至能够与完全监督方法达到可比较的性能水平。

    Apr, 2021

  • STAT: 通往可推广的时间动作定位

    提出了一种弱监督时序动作定位算法 STAT，通过引入自监督时序自适应教师模块和对齐模块，在不同数据分布下显著提高了动作定位方法的泛化能力。

    Apr, 2024

  • 弱监督时序动作本地化的双流一致性网络

    本文提出了一种名为 Two-Stream Consensus Network (TSCN) 的框架，用于解决在视频级别上监督的情况下，弱化监督下 temporal action localization 的困难问题，并通过新的 attention normalization loss 促进模型训练和消除假阳性行动提议，实验结果表明该方法优于当前最先进的方法，即使在某些最新的全面监督方法中也能取得可比较的结果。

    Oct, 2020