环境对抗域自适应动作识别

Oct, 2022

Adversarial Domain Adaptation for Action Recognition Around the Clock

Anwaar Ulhaq

TL;DR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。

Abstract

Due to the numerous potential applications in visual surveillance and nighttime driving, recognizing human action in low-light conditions remains a difficult problem in computer vision. Existing methods separate action recognition and dark enhancement into two distinct steps to accompl

human action recognition low-light conditions domain adaptation adversarial learning 3d-dinet

发现论文，激发创造

对抗性跨域行为识别及协同注意力

本论文提出了一种基于时空协同注意机制的临域动作识别框架 TCoN，通过特征匹配解决了跨域动作识别的问题，实验结果表明该框架在跨域设置下显著提高了识别准确率。

Dec, 2019

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

多层域自适应学习用于跨领域检测

提出了一种多级域自适应模型，通过同时对本地级别特征和全局级别特征分布进行对齐，以解决交叉域目标检测中现有方法对局部特征分布不能有效匹配的问题，并在多种实验中验证了其效果。

Jul, 2019

图像和行为识别的开放域适应性

提出了一种应对开放域数据集且能用于无监督和半监督领域自适应的方法，该方法在图像分类和动作识别等任务上实现了最先进的结果。

Jul, 2019

跨领域汽车检测：利用无监督图像翻译技术实现日夜转换

利用生成对抗网络通过从白天图像到夜间图像的转换获取人工数据集并训练车辆检测模型以在没有目标域注释数据的情况下提高检测性能。

Jul, 2019

增量式对抗性领域自适应技术在不断变化环境中的应用

通过敌对性劫持方法和生成式对抗网络，实现增量自适应学习，从而改进模型对环境变化的适应，实验证明该方法比直接单步对齐方法更优，在移动机器人等应用场景中有更好的适用性。

Dec, 2017

通过对抗性域自适应解决户外机器人外观变化问题

天气和季节变化对机器学习在户外机器人系统中的稳定实现产生了强烈的阻碍，为了解决这个问题，本文提出了一种以对抗技术为基础的无监督领域自适应框架，并应用于自动驾驶中解决自由空间分割问题。

Mar, 2017

基于光流的动作识别分类器的对抗攻击

本文研究针对时间序列 action recognition 领域深度学习模型的无目标对抗攻击方法，该方法可以在白盒和黑盒模式下显著降低模型性能，并且攻击的样本不易被察觉，同时还证明该攻击方式具有一定的可迁移性。

Nov, 2018

学习跨模态对比特征以实现视频领域自适应

设计了一个针对视频数据的统一框架，同时规范化跨模态和跨领域特征表示，通过对 UCF、HMDB 和 EPIC-Kitchens 等领域适应性行动识别基准数据集的实验，证明了方法的有效性。

Aug, 2021

领域对抗循环神经网络实现强健的无主体行驶机动预测

通过深度学习和计算机视觉技术，结合领域适应性实现驾驶行为几秒钟内的精准预测，提高驾驶辅助系统的性能和应用范围。

Feb, 2019