CVPRSep, 2022

细微动作挑战赛的低分辨率动作识别

PDF
TL;DR本研究旨在解决 Tiny Actions Challenge 实际监控场景中人类活动识别的难题，包括距离影响和类别不平衡等方面，提出了一种综合解决方案。该方案主要引入数据平衡、双分辨率蒸馏框架和模型集成等方法，其中模型集成效果显著优于其他算法，取得领先成绩。
tiny actions challengehuman activitiesactivity recognitiondata balancemodel en-semble
发现论文，激发创造
  • TinyAction 挑战：在视频中识别真实世界低分辨率活动

    本论文总结了 TinyAction 挑战赛，该挑战赛是在 CVPR 2021 的 ActivityNet 研讨会上组织的，重点是识别视频中存在的真实低分辨率活动。我们提出了一个基准数据集 TinyVIRAT-v2，它由自然发生的低分辨率活动组成，利用数据集进行了当前最先进的动作识别方法。

    Jul, 2021

  • TinyVIRAT: 低分辨率视频动作识别

    本研究介绍了一个新的数据集 TinyVIRAT，其中包含具有多个标签的低分辨率自然活动。为了识别这些 tiny actions in videos，我们提出了一种使用渐进生成方法来提高低分辨率动作质量的新方法。实验结果表明，在 TinyVIRAT 数据集上，我们的方法明显优于基线方法，并且在合成分辨率缩小的动作识别数据集上取得了 state-of-the-art 结果。

    Jul, 2020

  • 基于多分支孪生嵌入学习的极低分辨率活动识别

    本论文提出了一种从极低分辨率视频（如 16x12）中识别人类活动的方法，既能够分析偏远地区的活动，同时也能实现隐私保护识别。我们设计了一个新的两流多 - Siamese 卷积神经网络，能够显式捕捉低分辨率视频的内在特性。实验证明，我们的方法优于之前的低分辨率识别方法，并且在两个公开的标准数据集上具有显著的优势。

    Aug, 2017

  • 隐私保护的极低分辨率人体活动识别

    本文提出一种基于逆超分辨率（ISR）的基础方法，使用极低分辨率（例如 16x12）的匿名视频进行人类活动识别，避免侵犯隐私，实现隐私保护和辅助日常生活的矛盾目标。

    Apr, 2016

  • 动作识别：从静态数据集到移动机器人

    通过利用 “提议（proposals）” 方法生成行为区域的模型训练，能够在无约束视频中实现人的行为识别，无论是否存在摄像头运动；该方法在两个新的数据集中取得了超越最先进技术的性能，同时在异常行为检测场景中取得较高的成功率。

    Jan, 2017

  • 三流网络用于增强动作识别

    该论文提出了两种基于 CNN 的体系结构，包括三种流，可以分别捕捉不同速率的空间和时间信息，并使用双向 LSTM 和注意力机制进一步提高模型性能，实现了人类动作识别任务的最先进表现。

    Apr, 2021

  • 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

  • 协作学习环境中的快速低参数视频活动定位

    本研究开发了一种低参数、模块化系统，具有快速推理能力，在有限数据集上完全可以进行训练，无需从大参数系统进行迁移学习。该系统能够准确检测并关联实际课堂视频中执行这些活动的学生，并开发了一个基于交互式 Web 应用程序来可视化长时间真实课堂视频中的人类活动地图。

    Mar, 2024

  • 利用类别组件与本地模型相结合的视频监控活动识别

    本文提出了一种用于视频监控应用的自动识别人类活动的方法，将活动表示为类别组件的组合，并且提出了一种 Confident-Frame-based Recognition 算法来提高识别精度，该算法将高置信度的视频帧用作专门的局部模型来帮助分类其余的视频帧，实验结果表明了该方法的有效性。

    Feb, 2015

  • 移动视频动作识别

    本文研究了在移动设备上的视频动作识别任务，提出了一个基于 MobileNetV2 和 Temporal Trilinear Pooling (TTP) 模块的方法，使用多种模态处理压缩视频，并进行了效率测试，结果表明我们的模型在移动设备上可以实现 40FPS 的识别速度，且在模型大小和时间消耗方面表现优异。

    Aug, 2019