-
摘要
-
解决问题
-
用CNN框架有效提取video特征
-
在UCF101等训练集受限的情况下训练网络
-
贡献
-
TSN网络,基于长时间时序结构模型。稀疏时序采样策略,视频层监督有效学习整个视频。
-
HMDB51(69.4%),UCF101(94.2%)
-
介绍
-
动作识别有两个重要和补充的方面
-
appearance和dynamic
-
是否有效提取了特征并充分利用了相关信息
-
难点:image classification的难点。提取有效特征避开这些challenge并保留分类信息
-
CNN的局限
-
CNN网络关注于appearance和短时的motion,缺少处理长时间结构的能力
-
目前密集间隔采样CNN方法尝试处理video
-
长时间视频的计算量大,不能实时应用
-
由于网络固定帧数的限制,视频过长会丢失重要信息
-
需要大量的训练集,然而目前公开数据集在大小和多样性上受限很大,过拟合的风险
-
TSN
-
在双流的基础上采用稀疏采样:k=7或9更好,不是论文中的3
-
连续帧有高度的冗余性相似性,密集采样是不需要的
-
省时,省计算
-
不受帧长限制可以学习整个视频
-
数据处理
-
多种输入形式预训练:单一rgb,叠加rgb,叠加光流场,叠加形变光流场
-
正则化
-
数据增强
-
CNN for Action Recognition
-
深度CNN Karpathy
-
双流网络 appearance + motion 缺点:单帧,短时间多帧,复杂运动及跨时间多阶段动作很难处理
-
C3D Tran
-
FCN 分解卷积
-
(受限于固定长度的帧,不能处理过长的整个视频)
-
时序结构模型
-
ASM 标注视频的原子动作
-
隐变量做复杂动作的时域分解,迭代方法隐SVM学习模型参数
-
LHM SGM 分层模型和分割模型
-
SSM 序列骨架模型
-
bag of visual words 视觉词袋模型
-
(都不是端到端的模型)
-
BN-Inception 结合 双流网络
-
TSN
-
双流的缺陷:空域-RGB单帧,时域-短的snippet堆叠帧
TSN
猜你喜欢
转载自www.cnblogs.com/demian/p/9616211.html
今日推荐
周排行