IJCAIAug, 2023

场景分隔及数据选取：实时视频流分析的时间分段算法

PDF
TL;DR2SDS 是一种用于实时视频流解释的时序分割算法，通过比较两帧之间的图像差异来检测视频流中场景的变化，将视频分割为多个场景，并与 CNN 模型结合，达到针对每个场景选择最优结果的目的。在实验中，2SDS 的整体准确率超过 90%。
2sdstemporal segmentationcnn-based modelsscenesexperiment results
发现论文，激发创造
  • 同时检测和分割

    本研究提出了一种名为 Simultaneous Detection and Segmentation 的任务，使用卷积神经网络实现目标检测、区域分割及语义分割，与现有方法相比具有更高的准确性，并提供了诊断工具以指导未来工作。

    Jul, 2014

  • 基于时间聚合网络和动态模板匹配的快速视频对象分割

    本文介绍了一种将 “tracking-by-detection” 引入视频对象分割的方法，通过提出一种新的时间聚合网络和新的动态时间演进模板匹配机制，成功将分割与跟踪相一致，并在 DAVIS 基准测试中取得了新的最优表现。

    Jul, 2020

  • 学习在大规模视频数据中本地化时间事件

    该研究提出了两种方法来解决大规模视频数据中事件的时间定位问题，一种是采用梯度提升决策树模型，另一种是采用基于帧级数据、视频级数据和定位模型的深度学习模型组合，在第三届 Youtube-8M 视频识别挑战中获得第 5 名。

    Oct, 2019

  • 高效视频分类的深度非监督关键帧提取

    本文提出了一种基于 CNN 和 TSDPC 的无监督关键帧检索方法，能够自动计算关键帧数量并保留视频时间信息，此外，还加入了 LSTM 网络和权重融合策略来提升分类性能和效率，并在两个常用数据集上进行了评估，结果表明与现有方法相比，该方法具有更好的性能和效率。

    Nov, 2022

  • 利用时间性进行半监督视频分割

    本文提出了一种端到端可训练的深度学习模型，利用时间信息来利用易于获取的未标记数据，从而解决了视频分割中标签稀缺的问题。实验结果表明，该模型能够显著优于基线方法和逐帧图像分割。

    Aug, 2019

  • 快速视频语义分割的时态分布网络

    该研究提出了一种名为 TDNet 的时态分布网络，旨在实现快速准确的视频语义分割，该网络使用深度卷积神经网络从视频中提取特征，并通过逐帧分布的方式，引入了新颖的注意力传播模块和分组知识蒸馏损失函数，从而达到了较高的分割准确率和更低的延迟。

    Apr, 2020

  • DSANet：视频层面表征学习的动态片段聚合网络

    本文介绍了一种新颖的动态分段聚合（DSA）模块，该模块通过可调式地减少卷积操作来聚合相邻片段的长时程信息，结合 TSM、I3D 等开箱即用的基于剪辑的模型，提供了一种高效且具有优越性能的视频识别 DSANet 架构。

    May, 2021

  • 通过时间一致性正则化实现域自适应视频分割

    本文提出 DA-VSN 用于视频语义分割，该模型通过领域自适应实现了对不同领域视频间的域差距问题解决，并使用一种基于时序一致性的规则（TCR）来提高模型性能。

    Jul, 2021

  • 低延迟视频语义分割

    本研究提出了一种视频语义分割框架，该框架利用特征传播模块和自适应调度器相结合的方法，通过时间间隔自适应地融合特征并根据准确性预测动态分配计算量，以实现低延迟和高语义分割质量。实验结果表明，在与现有模型的比较中，该模型在 Cityscapes 和 CamVid 这两个数据集上获得了竞争性的性能，并将延迟从 360 ms 降低到 119 ms。

    Apr, 2018

  • 自监督事件分割的感知预测框架

    本文提出了一种自我监督的、基于认知心理的预测学习框架，通过自适应学习来减少循环神经网络中灾难性遗忘的影响，在三个公共数据集上进行了广泛的实验，表明所提出的方法能够优于弱监督和其他非监督学习方法最多达 24％，并具有完全监督方法相媲美的性能。同时，该方法还能够学习高度区分特征，进而提高动作识别的表现。

    Nov, 2018