Jun, 2022

2021 EPIC-KITCHENS-100 无监督领域自适应动作识别挑战赛 VI-I2R 团队技术报告

PDF
TL;DR通过 MEAA 的不确定性感知域适应网络，在源数据上使用非常有限的手部边界框注释，学习到了手部物体交互的特定特征，从而提高了微观场景下准确性并在无标签目标域中学习到了域不变特征，从而再精细的动作识别方面表现出最好的 top-1 动作识别准确性。
发现论文，激发创造
  • 2022 行动识别无监督领域自适应挑战赛: HNU-FPV 队技术报告

    本研究介绍了一种利用信息图像区域来实现有效领域对齐的方法，并在 2022 EPIC-Kitchens 无监督领域适应（UDA）挑战中取得了第四名的成绩。该方法使用轻量级 CNN 提取输入双流视频帧的全局信息，并通过 One Shot 内容选择方法选择有信息量的图像块来进行特征对齐。

    Jul, 2022

  • EPIC-KITCHENS-100 无监督领域自适应挑战：混合序列预测

    通过使用无监督领域适应技术，结合伪标签策略和序列信息过滤模型，这篇研究论文介绍了一种在 EPIC-Kitchens-100 数据集上实现动作识别的方法，取得了在动词和名词上的优异结果。

    Jul, 2023

  • 细粒度动作识别的多模态域自适应

    本文通过多模式自我监督对齐方法及对抗式对齐方法，提高细粒度行为识别跨环境泛化能力。在 EPIC-Kitchens 数据集中，多模式自我监督训练可将性能提高 2.4%，结合对抗式对齐方法可超过其他对抗式训练方法 3%。

    Jan, 2020

  • 基于对象的（却不局限于类的）视频领域适应

    视频领域适应的对象化（但类别不可知）视频领域适应（ODAPT）框架通过利用目标领域中一组稀疏的具有类别不可知对象注释的帧来适应现有的动作识别系统，为新领域的适应提供了一种简单而有效的方法。

    Nov, 2023

  • FHA-Kitchens: 厨房场景下精细手部动作识别的新型数据集

    本文提出了一种 Fine-Grained Hand Action-Kitchen 数据集，并针对这一数据集进行了代表性的行动识别和检测模型测试，提出了相关的应对策略。

    Jun, 2023

  • 带有屏蔽预训练和协作自训练的无监督视频领域适应

    本研究解决了视频动作识别中的无监督领域适应问题。我们的方法称为 UNITE，利用图像教师模型将视频学生模型适应到目标域。UNITE 首先使用自监督预训练来促进目标域视频的辨别性特征学习，使用教师引导的遮蔽蒸馏目标进行自训练。然后，我们使用视频学生模型和图像教师模型一起对目标数据进行遮蔽自训练，生成改进的伪标签来处理无标签目标视频。我们的自训练过程成功地利用了两个模型的优势，在不同领域之间实现了强大的迁移性能。我们在多个视频领域适应基准上评估了我们的方法，并观察到比以前报告的结果有显著提高。

    Dec, 2023

  • 环境对抗域自适应动作识别

    本文提出了一种基于领域自适应的行为识别方法，使用对抗学习在跨域场景中学习跨域动作识别，从而实现对低光条件下的人类行为进行识别，并在 InFAR 和 XD145 动作数据集上取得了 SOTA 表现。

    Oct, 2022

  • I2R-VI-FF 技术报告：EPIC-KITCHENS VISOR 手部物体分割挑战 2023

    通过结合点渲染和任意物体模型以及应用特定的手工制约条件来增强手部和物体分割结果，在基线模型缺失检测的情况下重新训练物体检测器来提高检测准确性，从而在 VISOR HOS 挑战赛的评估标准中获得第一名。

    Oct, 2023

  • SADA：语义敌对无监督领域适应用于时间动作定位

    本文介绍了一种针对稀疏时序行为定位的无监督领域自适应方法，称为语义对抗无监督领域自适应 (SADA)。通过引入一种对局部类别分布敏感的新型对抗损失函数，SADA 在多个领域之间的自适应中显著提升性能。相比于完全监督的最先进方法和其他 UDA 方法，SADA 在多种领域转移情况下实现了相对性能提升高达 14%。

    Dec, 2023

  • 针对 EPIC-Kitchens 的行为识别模型评估

    本文介绍了基于 EPIC-Kitchens 数据集的行动识别模型，比较了不同模型在具有长尾类分布、测试集中未见过环境和多任务等挑战下的表现，并探讨了模型的缺点和未来研究的方向。

    Aug, 2019