Apr, 2024

不确定性增强的鲁棒视频活动预测

PDF
TL;DR本论文提出了一种不确定性增强的强鲁棒性视频活动预测框架，通过生成不确定性值来表示预测结果的可信度，并利用该值来调整预测目标活动的分布。同时，通过将活动的演化和语义关系结合，构建了合理的目标活动标签表示。此外，通过比较样本对和它们的时间长度之间的不确定性，将不确定性量化为相对值，提供了一种更可行的不确定性建模方法。实验结果表明，提出的框架在多个基准数据集上取得了有希望的性能和更好的鲁棒性 / 可解释性。
video activity anticipationuncertainty learningrobustnesstarget activity label representationuncertainty modeling
发现论文，激发创造
  • 活动不确定性感知预测

    本文利用行为模型和长度模型，针对不确定性进行建模，通过预测分布进行多样本采样，得到能够捕捉多模态未来活动的模型。在多个数据集上测试，模型在预测单个未来活动序列的准确性不受影响的同时，表现出较好的性能。

    Aug, 2019

  • 从未剪辑的视频中识别不确定动作

    本文提出了一种基于视频级别标签进行训练的视频动作识别模型，该模型利用大型图像数据集中训练的逐帧人物检测器，在多实例学习框架内实现。此外，我们使用新的概率多实例学习方法来估计每个预测的不确定性，并在 AVA 数据集上取得了第一个弱监督结果，在 UCF101-24 上获得了弱监督方法的最新成果。

    Jul, 2020

  • 基于不确定性建模进行弱监督时序动作定位

    该论文提出了一种新的关于背景帧的观点，在这个观点中，背景帧是关于其不一致性的离群样本，通过学习不确定性，背景帧可以被检测出来，而这种不确定性的学习是通过多实例学习实现的，进一步引入了一个背景熵损失以更好地鉴别背景帧。研究表明，我们的不确定性建模可以有效地减轻背景帧的干扰，并且在 THUMOS'14 和 ActivityNet（1.2 和 1.3）基准测试上取得了明显优于最先进方法的性能表现。

    Jun, 2020

  • 基于不确定性的时空关系学习在交通事故预测中的应用

    本研究提出了一个基于不确定性的事故预测模型，其中利用图卷积和循环神经网络进行关系特征学习，利用贝叶斯神经网络处理潜在关系表示的本质变异性，并使用新的 CCD 数据集验证了该模型在普通和新编译数据集上的表现优越性。

    Aug, 2020

  • 从确定到不确定的回答：针对视频问答的不确定性感知课程学习

    通过在课程学习（CL）框架中逐步训练模型，将 VideoQA 引入其中，并通过不同类型的不确定性引导困难度的动态调整，本论文提出了增强模型泛化能力的可能性，并通过综合实验验证了该方法的有效性。

    Jan, 2024

  • 带有时间边界不确定性的视频活动定位

    本文提出 Elastic Moment Bounding (EMB) 和 guided attention 机制，解决了视频活动定位训练时时间标注的不确定性问题，提高了在自然视频中的准确性和鲁棒性。

    Jun, 2022

  • 自回归结构预测中的不确定性估计

    本论文研究基于概率集成框架实现自回归结构化预测任务中的不确定性估计，并提供了 WMT'14 英语 - 法语、WMT'17 英语 - 德语翻译和 LibriSpeech 语音识别数据集上的基准测试结果。

    Feb, 2020

  • 基于变分推断的贝叶斯活动识别

    应用贝叶斯深度学习框架对视觉活动识别应用进行建模，推断模型参数的后验分布并在预测分布上施加蒙特卡罗采样以实现可靠的不确定性估计，可为关键性的安全保障应用提供一定的量化信任，相比传统的深度神经网络，在视觉活动识别精度 - 召回 AUC 方面有显著的提高。

    Nov, 2018

  • 利用深度贝叶斯变分推断的不确定性感知视听活动识别

    本研究提出了一种考虑个体单模态预测不确定性的多模态贝叶斯融合框架，采用行为识别作为应用案例，并结合确定性和变分层混合以扩展贝叶斯深度神经网络的深层架构，在 Moments-in-Time 数据集的实验中表现出优于基准方法和 Monte Carlo dropout 方法的可靠置信度，并在 UCF101 和 MiT 数据集上证明了该框架从中提取的预测不确定性能够识别元数据。

    Nov, 2018

  • 基于误差对齐不确定性优化的可靠多模态轨迹预测

    通过提出基于误差对齐的不确定性优化方法和引入可训练的损失函数来估算深度神经网络的不确定性，以取得与模型误差相关性强的不确定性预测。该方法适用于连续结构化预测和回归任务，并在包括大规模车辆运动预测任务的多个数据集上进行评估，通过 Pearson 相关系数表明我们的方法提高了平均位移误差和不确定性与模型误差之间的相关性。

    Dec, 2022