ECCVJul, 2022

NSNet：用于高效视频识别的非显著性抑制采样器

PDF
TL;DR该研究提出了一种有效的非显著性抑制网络 (NSNet)，该网络可以在硬件计算速度低下的情况下实现高精确度的视频识别。通过在帧级别生成伪标签，并在视频级别上学习时间注意，NSNet 有效地抑制了非关键帧的响应，并取得了显著的时间和效率改进。
artificial intelligencevideo recognitioncomputation costsnsnettemporal attention module
发现论文，激发创造
  • 面向高效视频识别的时间显著性查询网络

    提出一种新的时序显著性查询机制，引入类别特定信息为显著性测量提供精细线索，并在 TSQNet 中实现了两种检索机制和跨模态交互，从而解决现有技术对类别的不确定性和上下文缺失等问题，并在 ActivityNet，FCVID 和 Mini-Kinetics 数据集上获得了最好的成果。

    Jul, 2022

  • 使用深度非局部神经网络进行视频显著对象检测

    本文研究了用于视频显著对象检测的最近引入的非局部神经网络方法，并应用于 static 和 dynamic 显著性检测，提出了一种新的深度非局部神经网络架构，测试了 DAVIS 和 FBMS 两个著名数据集，实验结果表明该算法优于最先进的视频显著性检测方法。

    Oct, 2018

  • 基于全卷积网络的视频显著对象检测

    本文提出了一个深度学习模型，通过数据增强技术和动态显著性模型来高效地检测视频中的显著区域，该模型在 DAVIS 和 FBMS 数据集上达到了最新的性能标准。

    Feb, 2017

  • 基于显著性的人脸反欺诈视频摘要

    通过提取视觉显著性信息，利用基于加权融合的视频摘要方法改进人脸防伪识别模型的性能和效率，以面向数据的方式提供一种有效的训练集，通过 CNN-RNN 架构在五个具有挑战性的人脸防伪数据集上取得了最先进的表现。

    Aug, 2023

  • 使用伪标签的半监督视频显著目标检测

    本论文提出了一种基于半监督学习的视频显著性目标检测方法，使用伪标签从稀疏注释帧中生成像素级伪标签，并结合部分手动注释，学习了空间和时间线索，进而产生准确的显著性图。实验结果表明，我们的方法在 VOS、DAVIS 和 FBMS 三个公共基准测试数据集上均明显优于所有最先进的全监督方法。

    Aug, 2019

  • 基于多源弱监督的显著性检测

    利用分类标签、字幕和未标记数据等不同类型的监督实现显著性检测模型的训练，通过 CNet 和 PNet 生成像素级伪标签进行训练，使用注意力传输损失和注意力一致性损失，使弱监督训练的模型性能得到提升，实验表明我们的方法与许多监督方法相比具有较好的性能。

    Apr, 2019

  • 弱监督视频显著目标检测

    本文提出了基于新型弱标注的视频显著目标检测模型，并使用外观运动融合模块和双向 ConvLSTM 框架来实现有效的多模态学习和长期时序建模，还设计了一种前景背景相似度损失和一种弱标注增强策略，以提高模型性能和伪标签生成技术。在六个基准视频显著性检测数据集上的实验结果证明了我们方案的有效性。

    Apr, 2021

  • 弱监督时间动作定位的背景抑制网络

    本文提出背景抑制网络 (BaS-Net) 来解决仅具备视频层级标签、而没有帧级标签的弱监督时序动作定位问题；该网络结构采用两个分支和非对称训练策略来抑制背景帧的激活，有效地提高了动作的定位表现。实验验证表明，BaS-Net 在 THUMOS'14 和 ActivityNet 等基准测试上的表现优于当前最先进的方法。

    Nov, 2019

  • 视频息肉分割的逐渐归一化自注意力网络

    本文提出了一种名为 PNS-Net 的新型进展性规范化自注意力网络，其中采用归一化的自注意力块，结合卷积神经网络和重复网络，能够在单个 RTX 2080 GPU 上实现真实时间速度（约为 140fps），且无需后处理。实验表明 PNS-Net 在挑战性的视频息肉分割数据集上表现出了最先进的性能，具有不同设置下工作效果很好的潜力，成为处理视频息肉分割任务的有前途的解决方案。

    May, 2021

  • 基于深度显著性网络的视频烟雾检测

    研究通过使用基于深度显著性网络的新型视频烟雾检测法来提高烟雾的检测精度，并成功利用像素级和目标级显著卷积神经网络来提取信息烟雾显著性图，并使用端到端的框架来进行可靠的烟雾检测和预测。

    Sep, 2018