video | BriefGPT - AI 论文速递

关键词video

搜索结果 - 159

CVPRTimeBalance: 半监督动作识别的时间不变和时间独特的视频表示
文章通过自监督学习方法，提出了一个基于时间均衡的学生 - 教师半监督学习框架，动态地结合具有时变不变性和时变区别性的两个教师的知识，从而取得了 UCF101，HMDB51 和 Kinetics400 三个动作识别基准数据集的最新性能。
PDFa year ago
CVPR通过测量动词 - 副词文本关系学习动作变化
本研究旨在预测视频中动作的副词，将问题转化为回归任务。作者通过测量动词和副词之间的文本关系，生成回归目标，并收集了一个新的高质量数据集：Adverbs in Recipes，评估了该方法并取得了优异的结果。
PDFa year ago
视频预训练 Transformer：多模态预训练专家混合
本论文提出了一种名为 VPT 的模型，该模型使用多个编码器模型从视频中提取紧凑的嵌入向量，通过预测 YouTube 视频中的语音来训练，并在标准的下游任务基准测试中达到了最先进水平，并在模型中添加了更多的模态信息。
PDFa year ago
CVPR利用有缺陷的图集进行神经过滤的盲视频除闪
该论文提出了一种基于神经图谱结合神经滤波策略的通用闪烁去除框架，不需要额外的指导，仅接收单个带闪烁的视频作为输入，能够有效去除各种现实世界中的闪烁视频。
PDFa year ago
ICLR来自未标记视频的最近邻内部对比学习
该研究介绍了一种叫做 Inter-Intra Video Contrastive Learning (IIVCL) 的方法，利用来自全局空间的最近邻视频作为额外的正对。该方法提高了正关键图的多样性，并引入了一个更松散的相似性概念，扩展到了视
PDFa year ago
利用多模态引导在长视频中定位时刻
本文研究了基于视频的语言表示的大规模 MAD 数据集。现有的基于句子的方法在长视频中表现效果不佳，本文提出了一种新的指导模型的方法，以提高基于句子的方法在长视频上的表现。该方法经实践证明，在 MAD 数据集上获得了更好的效果。
PDFa year ago
通过对抗知识蒸馏的闪电般快速视频异常检测
提出了一种非常快的视频异常检测模型，通过从多个高精度的目标级教师模型中提取知识来学习检测异常。通过联合应用标准和对抗蒸馏，利用对每个教师的对抗鉴别器来区分目标和生成的异常图，从而提高了学生的保真度。对三个基准数据集（Avenue，Shang
PDF2 years ago
ECCV通过神经渲染在静态视频中进行自监督的三维人体姿势估计
本文介绍了一种利用自监督学习估算不需要人工标注的静态背景下单个人物的 2D 视频帧生成 3D 人体姿势的方法。作者采用射线投射技术进行人体模板的渲染，使神经网络可以对渲染结果进行优化，从而获得了令人满意的结果。
PDF2 years ago
电子显示屏视频中敏感文字的保留与删除
本文提出一种使用光学字符识别（OCR）和自然语言处理（NLP）技术来从视频中消除个人身份信息的方法，比较了使用 Tesseract 和 Google Cloud Vision（GCV） OCR 模型时的性能，并分析了两种模型在实际应用中的优
PDF2 years ago
ECCV使用 SSW60 数据集探索细粒度音视频分类
本文介绍了一种新的基准数据集 SSW60，旨在促进音视频细粒度分类研究，覆盖 60 种鸟类，可用于图像、音频和视频分类，实验结果表明，使用音视频融合方法比单独使用图像或音频方法的性能更好，同时进行了有趣的模态转换实验。
PDF2 years ago
ICML时间至上：为视频 Transformer 提供时间自监督
本文提出了一种面向视频任务的基于 Transformer 的模型，通过自监督学习并增加对视频帧之间时间轴的考虑，有效地消除了空间偏差，提升了模型对于时间动态的表征能力并实现了很好的视频分类效果。
PDF2 years ago
ECCVCCPL: 对比协调保存损失用于多功能风格迁移
本文提出了一种通用的风格迁移方法，使用 Contrastive Coherence Preserving Loss 和 Simple Covariance Transformation 能实现艺术化、照片逼真和视频风格迁移，并且可以很容易地
PDF2 years ago
体育视频动作识别调查：数据集、方法和应用
本文综述了针对运动分析的视频动作识别方法，介绍了超过十种不同的运动类型，包括个人运动和团队运动。对现有的分析框架进行比较并总结了团队运动和个人运动领域的最新视频动作识别技术。同时，讨论了该领域的挑战和未解决的问题，并开发了一个工具箱，基于
PDF2 years ago
ECCVBodySLAM: 联合相机定位、建图和人体运动跟踪
本文报告了一种基于单目 - SLAM 系统的 BodySLAM，同时估计人体位置、形态、姿态、摄像机轨迹等参数，并且引入新的人体运动模型，提高估计结果的准确性。
PDF2 years ago
CVPR视频语义分割的粗到细特征挖掘
提出了一种 Coarse-to-Fine Feature Mining 技术，用于同时学习在图像语义分割中已经充分利用的静态内容与视频语义分割中特有的动态内容，利用在连续帧中挖掘有用信息的方法增强了视频特征的内容。该技术在视频语义分割方面具
PDF2 years ago
CVPRTubeDETR: 基于 Transformer 的时空视频锚定
提出了基于 Transformer 的 TubeDETR 模型，该模型能够高效地建模时空和多模态交互，用于解决视频中给定文本查询的时空定位问题，并且在视频定位任务上表现出色。
PDF2 years ago
CVPR面向自监督对应学习的区域感知内外视频重构
利用 LIIR，一种局部感知的交叉和内部视频重建框架，填补了自监督一致性学习中的三个缺失部分，即实例区分、位置感知和空间紧凑性，从而学习视觉对应关系。
PDF2 years ago
ECCVRankSeg：基于图像类别排名的自适应像素分类分割
本文提出将分割任务分解为两个子问题：（i）图像级或视频级多标签分类和（ii）像素级排名自适应选定标签分类。
PDF2 years ago
PEg TRAnsfer Workflow recognition challenge 报告：多模数据是否能提高识别效果？
本文介绍了基于视频、运动学和分割数据之一或几种模态的外科手术工作流识别方法的设计和结果，并提供了公共数据集以鼓励进一步的研究。
PDF2 years ago
CVPRMERLOT Reserve: 通过视觉、语言和声音获得神经剧本知识
介绍了一种多模态预训练模型 MERLOT Reserve，该模型在预训练时利用音频、字幕和视频帧一起学习，可以实现强大的多模态表示，并在一些视频任务上取得了领先水平，提出了音频为何能够提高视觉 - 语言表示的可能性，并讨论了这种多模态预训练
PDF2 years ago