Nov, 2022

从行为到事件：利用改进的深度置信网络的迁移学习方法

PDF
TL;DR本文提出了一种基于 Spectral Deep Belief Network 的能量模型来解决视频分析中深度学习和数据量大的问题，该模型可以同时处理所有帧，将空间和时间信息传递到学习过程中，实验结果表明该模型具有较高的效率和降低的计算负担。
deep learningvideo analysisenergy-based modelspectral deep belief networktransfer learning
发现论文，激发创造
  • 网络图像的注意力转移用于视频识别

    通过利用弱监督网络图像，提出了一种能够将图像转移到视频领域的深度学习分类器，使用 Siamese EnergyNet 网络结构来优化空间注意力图的能量函数，解决了基于网络图像训练的分类器到视频上显著下降的问题。

    Aug, 2017

  • 一种基于深度学习的人体动作单张图像解析模型

    本文主要研究如何通过使用深度置信网络方法来融合人体布局和周围信息从静态图像中理解人体行为，并使用手动标记的数据来改善网络的训练和微调阶段的效率。结果表明该方法具有较好的鲁棒性和优异的性能。

    Feb, 2015

  • 基于事件的动态模糊矫正学习

    本文提出了一种基于事件相机的深度学习方法，通过卷积循环神经网络和可微分方向事件过滤模块整合全局和局部尺度的视觉和时态知识，提取边界先验信息，从而达到了恢复运动模糊图像的最佳质量，适用于真实世界的运动模糊问题。

    Apr, 2020

  • 视频人体动作识别中的深度神经网络：综述

    本篇论文研究了基于视频的人体行为识别任务，通过比较现有的深度学习框架（尤其是视频动作识别的表现）和机器学习框架，提出了多项新颖的研究方案。

    May, 2023

  • 动作识别的深度卷积特征多核学习

    采用多核支持向量机和多流深度卷积神经网络相结合的方法，在多个方面如摄像机视角、视频质量等具有挑战性的 HMDB-51 数据集上，实现了接近最先进技术的 51 种活动识别问题的性能，同时也表现出人类级别的视觉理解能力，并且结合了改进的稠密轨迹和多跳特征叠加等人工手工制造特征补充了性能。

    Jul, 2017

  • 深度图像到视频自适应融合网络用于动作识别

    本文提出了 Deep Image-to-Video Adaptation and Fusion Networks (DIVAFN) 模型，通过跨媒介学习和特征融合，将图像的知识迁移到视频中，用来增强视频动作识别的性能。实验证明，该方法在四种真实数据集上表现出色，超越了一些领域适应和动作识别方法。

    Nov, 2019

  • 可插拔事件图像翻译的双重迁移学习用于基于事件的终极任务预测

    本文提出了一种名为双重转移学习的框架，包括事件到终端任务学习分支、事件到图像翻译分支和转移学习模块，可有效提高像语义分割和深度估计等端任务的性能。

    Sep, 2021

  • 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

  • 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

  • 深度视频动作识别的全面研究

    本文综述了 200 多篇关于视频动作识别的深度学习论文，介绍了 17 个影响模型设计的数据集和深度学习模型的发展历程，包括深度学习适应、双流网络、3D 卷积核和计算效率模型，并对几种方法在典型数据集上进行了基准测试，最后，讨论了视频动作识别面临的问题和未来的研究机会。

    Dec, 2020