ICCVAug, 2023

利用图引导的混合匹配提升少样本动作识别

PDF
TL;DR我们提出了一种新的框架 GgHM，通过图神经网络在类原型构建过程中优化类内和类间特征相关性，并设计了混合匹配策略，结合帧级和元组级匹配来分类具有多变量风格的视频。GgHM 在几个少样本数据集上均展现出对比其他基线模型的持续性改进，证明了我们方法的有效性。
few-shot action recognitionclass prototype constructionmatchinggraph neural networkhybrid matching
发现论文，激发创造
  • 基于复合样本原型匹配的小样本动作识别

    本论文提出了一种新颖的方法，将视频汇总为由一组全局原型和一组聚焦原型组成的复合原型，并基于原型进行视频相似性比较，进而用于小样本动作识别，实验结果显示该方法在多个基准测试上达到了最先进的成果。

    Jul, 2022

  • HyRSM++：混合关系引导的时间集匹配用于少样本动作识别

    HyRSM++ 是一种用于少样本动作识别的混合关系导向时间集匹配方法，能够集成任务内和跨视频相关关系来学习具有区分度的表征，并且能够通过 Bi-MHM 来提升对于不对齐实例的鲁棒性，同时还可处理半监督和无监督少样本动作识别任务。

    Jan, 2023

  • 基於混合關係引導的少樣本動作識別集匹配

    提出了一种新的少样本行动识别方法，使用混合关系模块和集合匹配度量学习任务特定嵌入，重新制定了查询和支持视频之间的距离度量，从而提高了对特定任务的预测性能。

    Apr, 2022

  • 基于对比学习的少样本动作识别的双流联合匹配方法

    基于对比学习的双流联合匹配 (TSJM) 方法在少样本动作识别中解决了动作关系建模、多模态信息利用不足、不同长度和速度的视频匹配问题，以及视频子动作不对齐的匹配问题。

    Jan, 2024

  • Few-shot 动作识别的时空关系建模

    本文提出了一种新颖的 few-shot 动作识别框架 STRM，该框架通过聚合表示空间和时间上下文并学习高阶时间表示来增强类特定特征的可区分性，并在局部补丁级别和全局帧级别的特征补充子模块中捕获出现的特征，通过在不同阶段加强特征学习，并在四个基准数据集上进行实验，取得了领先的结果。

    Dec, 2021

  • 基于隐式时间对齐和成对相似度优化的小样本动作识别

    本研究提出了一种基于 LSTM 的 few-shot 动作识别框架，采用了特定的评估设置，隐式序列对齐算法以及新的优化方法，通过在少量数据上最大化同类样本的相似性并最小化不同类之间的相似性来实现 few-shot 动作识别。实验表明，该方法在两个数据集上均取得了较好的效果。

    Oct, 2020

  • 关系推广少样本学习

    本文提出一种基于图卷积的全局原型网络（GcGPN）的图形框架，该框架显式地模拟了联合标签空间中所有已看到和新类别之间的关系，以在全局一致的方式下将新类别嵌入到以前看到的所有类别的现有空间中，为广义小样本学习（GFSL）中的快速适应和全局区分提供了解决方案。

    Jul, 2019

  • 少样本学习的混合图神经网络

    本研究提出了一种新颖的混合 GNN（HGNN）模型，该模型由实例 GNN 和原型 GNN 组成，用于快速适应元学习特征嵌入到新任务中，在三个 FSL 基准测试中获得了新的最新成果。

    Dec, 2021

  • 细节同理心：用于动作识别的密集轨迹和混合分类架构

    介绍一种结合手工特征和深度学习的识别视频动作的方法，并在五个动作识别基准测试中取得了显著的数据效率和精度提升。

    Aug, 2016

  • 零样本基于骨架的动作识别的信息补偿框架

    从信息论的角度设计信息补偿学习框架，通过多粒度语义交互机制来提高零样本动作识别准确性，并提出多层次对齐方法对动作类别的信息进行补偿，利用新的损失函数采样方法获得紧密且鲁棒的表示，进而通过合成多粒度语义嵌入形成适当的分类决策面，验证多粒度语义特征有助于区分具有相似视觉特征的动作簇。

    Jun, 2024