Aug, 2023

IndGIC：低照度条件下的监督动作识别

PDF
TL;DR在这篇论文中，我们提出了一种使用深度多输入网络的行为识别方法，并且还提出了一种独立伽马强度校正（Ind-GIC）来增强贫光照视频，通过生成一个伽马值来提高增强性能。通过与现有方法的评估和比较，实验结果表明我们的模型在 ARID 数据集上取得了高准确度。
human action recognitiondarkimage enhancementlow-lighting video datasetsdeep multi-input network
发现论文，激发创造
  • ARID: 识别黑暗中动作的新数据集

    本文介绍了新采集的 Action Recognition in the Dark（ARID）数据集，用于行为识别。研究分析了该数据集，并评估了当前行为识别模型及框架增强方法对于暗视频识别的效果。结果表明，现有的行为识别模型和框架增强方法不适用于暗视频的行为识别任务。

    Jun, 2020

  • 在暗环境中深入识别行动：全面基准研究

    本文介绍如何提高略带挑战的情况下识别黑暗环境下的运动的能力，我们介绍了 UG2+ Challenge，这是一个针对 AR 在黑暗场景下的模型鲁棒性评估比赛，提出了第一个用于黑暗视频 AR 任务的数据集 ARID dataset，报道了基准结果并分析挑战性，并总结了参赛队伍的解决方案以及他们的进展和方向。

    Feb, 2022

  • 基于光照感知伽马校正和完整图像建模网络的低光照图像增强

    本文提出了一种新颖的网络结构，利用感知偏差照明方式和完整图像建模来解决低光照图像增强问题。通过将伽马校正的有效性与深度网络的强建模能力相结合，我们能够粗到细地自适应地感知偏离的照明来学习校正因子伽马。通过使用泰勒级数近似伽马校正，加速了训练和推理速度。我们提出了一种新颖的变压器块，通过本地到全局的层次化注意机制完全模拟跨图像像素的依赖关系，从而以高度有效的方式从具有很好信息的区域推断出暗区。在几个基准数据集上的广泛实验表明，我们的方法优于现有方法。

    Aug, 2023

  • 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

  • 快速、灵活、稳健的低光图像增强

    本文提出一种新的自校准照明（SCI）学习框架，用于在低光环境下快速，灵活和准确地增强图像，通过耦合权值共享的级联照明学习过程来实现此任务，从而极大地减少计算成本，提高模型适用性。

    Apr, 2022

  • 利用时间梯度进行半监督动作识别学习

    本文提出利用时态梯度提升多模态特征提取以改善在少量标记数据情况下的半监督视频动作识别，方法在多个半监督设置中均取得了最先进的结果。

    Nov, 2021

  • 基于图像自适应可学习模块的低光图像识别性能改善

    本研究提出了一种适应性图像学习模块，通过合适的图像处理和超参数预测，增强了低光条件下的图像识别模型的性能。实验证明，该方法能够有效提升低光条件下的图像识别性能。

    Jan, 2024

  • 语义引导的零样本低光图像 / 视频增强

    本文提出了一种基于语义引导的零样本低光增强网络，用于低光图像的实时检测和分割，并在基准数据集和低光视频上进行了广泛的实验，表明该模型优于先前的最新技术水平。

    Oct, 2021

  • 学习从单张图像预测室内照明

    本文提出了一个自动方法，通过使用一个有限的视野、低动态范围的室内场景的照片来推断高动态范围的照明。通过使用深度神经网络，我们训练了一个分类器来自动注释 LDR 环境地图中光源的位置，然后利用这些注释来预测场景中光的位置，从而 fine-tune 这个网络来预测每个光源的强度，可以自动获得高质量的 HDR 照明估计结果，从而可以实现逼真的照片级结果。

    Apr, 2017

  • DL-KDD: 暗光条件下行动识别的双光知识蒸馏

    我们提出了一种新颖的师生视频分类框架 DL-KDD，它能够在不引入额外计算成本的情况下，从原始和增强视频中学习，通过知识蒸馏策略训练师傅模型和学生模型，使学生模型在推理过程中仅使用原始输入视频来预测动作，实验证实了这种蒸馏策略在暗光环境下人体动作识别中的有效性。

    Jun, 2024