视频动作定位 | 弱监督 时序动作定位 多篇顶会论文概述（包含原文和代码）（2）

已于 2022-07-09 14:43:07 修改
阅读量860 收藏 4
点赞数 1
分类专栏： 视频动作定位 文章标签： 深度学习 人工智能 计算机视觉 视觉检测 视频
于 2022-06-08 18:42:16 首次发布
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.csdn.net/LiRongLu_/article/details/125177853
版权

目录

D2-Net: Weakly-Supervised Action Localization via Discriminative Embeddings and Denoised Activations（ICCV 2021）

The Blessings of Unlabeled Background in Untrimmed Videos（CVPR 2021）

Learning Action Completeness from Points for Weakly-supervised Temporal Action Localization（ICCV 2021）

Foreground-Action Consistency Network for Weakly Supervised Temporal Action Localization（ICCV 2021）

A Hybrid Attention Mechanism for Weakly-Supervised Temporal Action Localization（AAAI2021）

D2-Net: Weakly-Supervised Action Localization via Discriminative Embeddings and Denoised Activations（ICCV 2021）

​

相关论文代码：D2-Net: Weakly-Supervised Action Localization via Discriminative Embeddings and Denoised Activations | Papers With Code

        这项工作提出了一个弱监督的时间动作定位框架，称为D2- Net，该框架致力于使用视频级监督对动作进行时间定位。主要贡献是引入了一种新的损失公式，该公式共同增强了潜在嵌入的可辨别性和输出时间类激活对弱监控引起的前景背景噪声的鲁棒性。该公式包括一个判别损失项和一个去噪损失项

了解本专栏 订阅专栏 解锁全文 超级会员免费看
编程日记✧
关注
  • 1
    点赞
  • 踩
  • 4
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 2
    评论
专栏目录
订阅专栏
时序动作定位｜从点学习动作完整性的弱监督时序动作定位（ICCV 2021）
LiRongLu_的博客
07-09 449
关于Learning Action Completeness from Points for Weakly-supervised Temporal Action Localization论文学习首先，选择伪背景点来补充点级动作标签。然后，以这些点为种子，在与种子一致的情况下，寻找可能包含完整动作实例的最优序列。为了从得到的序列中学习完整性，作者引入了两个新的损失，分别以动作评分和特征相似性来对比动作实例和背景实例。..................
时序动作定位｜分而治之的单帧时序动作定位（ICCV 2021）
LiRongLu_的博客
07-09 571
关于Learning Action Completeness from Points for Weakly-supervised Temporal Action Localiza论文学习单帧时间动作定位(STAL)旨在对每个动作实例只使用一个时间戳注释的未裁剪视频中的动作进行定位。现有方法采用单阶段框架，将计数目标与定位目标相结合。本文提出了一种新的分而治之的两阶段任务框架。实例计数阶段利用位置监督来确定动作实例的数量，并将整个视频分成多个视频剪辑，使每个视频剪辑只包含一个完整的动作实例;位置估......
时序动作定位 | 弱监督时间动作定位与动作引导的假阳性抑制
最新发布
LiRongLu_的博客
04-25 145
本文提出了一种基于 actionness 引导的假阳性抑制框架,用于解决弱监督时间动作定位任务。主要包括:1) 自我训练的 actionness 分支,学习与类别无关的 actionness,减少场景信息干扰;2) 假阳性抑制模块,通过监督学习区分真实动作和误检,在测试时过滤抑制;3) 前景增强模块,利用 actionness 指导模型学习前景特征,提高定位准确性。该方法有效抑制了由于类别相关场景导致的大量假阳性。
【论文阅读】弱监督下的时序动作定位
三木今天学习了嘛の博客
10-26 2093
对Adaptive Two-Stream Consensus Network for Weakly-Supervised Temporal Action Localization进行阅读，并了解弱监督时序动作定位的主要任务和挑战，有了一个基本认知。
时序动作定位 | CO2-Net：弱监督时间动作定位的跨模态共识网络（ACM MM 2021）
LiRongLu_的博客
08-24 398
Cross-modal Consensus Network for Weakly Supervised Temporal Action Localization CO2-Net 弱监督时间动作定位的跨模态共识网络 ACM MM 2021
ACM-Net: Action Context Modeling Network for Weakly-Supervised Temporal Action Localization论文总结
m0_60273616的博客
04-01 512
传统方法主要关注仅有单一注意力分支和类别激活序列的前景和背景帧分离。然而，除了独特的前景和背景框架外，还有大量语义模糊的动作上下文。将这些上下文帧分组到同一个背景类是没有意义的，因为它们在语义上与特定的动作类别相关。因此，仅使用单一类别激活序列来抑制动作上下文帧是具有挑战性的。
python毕业设计-背景单帧标记用于弱监督时序动作定位+论文+源代码+文档说明
11-07
2、本项目适合计算机相关专业(如计科、人工智能、通信工程、自动化、电子信息等)的在校学生、老师或者企业员工下载学习，也适合小白学习进阶，当然也可作为毕设项目、课程设计、作业、项目初期立项演示等。...
结合分水岭和回归网络的视频时序动作选举算法
01-26
第一段将改进的分水岭算法应用于一维时序信号,通过浸水聚类产生多种不同长度的候选区域,实现动作时序边界的粗定位,进而提出一种时序金字塔结构化方法,引入动作片段的上下文信息模块,对候选区域的主体信息和上下文...
视频中动作识别与定位的自步弱监督学习
01-31
视频中动作识别与定位的自步弱监督学习，杨旻，盖程鹏，对于仅有动作标签而缺少标签时序位置信息的视频进行弱监督学习是一项极具挑战的任务。为了进一步提高动作识别和定位的准确率，本
论文研究-带测试动作的动态时序逻辑扩展.pdf
07-22
为支持测试动作, 提出一个DLTL扩展DLTL 和一个判定DLTL 公式可满足性的tableau算法, 并给出了算法的正确性以及其时间复杂度为2On的证明。分析表明, DLTL 提供了一种直接的、有效的测试动作支持方式, 该方式比已知的...
RTKLIB相关的很多文档，包含对RTK动态定位函数解析，时序图中文说明书等等。
01-21
RTKLIB相关的很多文档，包含对RTK动态定位函数解析，时序图中文说明书等等。
Video Self-Stitching Graph Network for Temporal Action Localization
weixin_55768678的博客
02-14 290
视频中的时序动作检测时序动作往往跨度较大,较短的动作在所有动作中占据最大的比例，在所有TAL方法中普遍得分不高。对于短时间内迅速发生的动作提出了一种多层次，跨尺度的方案，利用多尺度特征的跨尺度相关性加强短动作的表示，促进定位。视频自拼接图网络(VSG）有两个关键部分：1、视频自拼接（VSS）2、跨尺度图金字塔网络（xGPN）xGPN中的每个层设计了一个跨尺度的图网络，其中包含一个时间分支和一个图分支的混合模块相关内容：针对细微动作/短时序动作检测问题的常用解决方法。
[综述]弱监督动作定位Weakly Supervised Temporal Action Localization 论文阅读
NEUXia的博客
07-29 4714
今天开始要正式做ActionLocalization方向的研究了，之前也是磕磕绊绊地看了几篇论文也看不进去，还是需要写博客督促自己啊。 Two-Stream Consensus Network forWeakly-Supervised Temporal ActionLocalization ActionGraphs: Weakly-supervised Action Localization with Graph Convolution Networks
ICCV2021中的时序动作检测算法
木盏
10-19 964
ICCV2021中时序动作检测相关的文章一共有7篇，如下： NUM Title Has_code Type Anet1.3 THUMOS14 1 Foreground-Action Consistency Network for Weakly Supervised Temporal Action Localization True Weakly-Supervised 24.0 42.2 2 Learning Action Completeness From Points for Weak
视频动作定位 | 弱监督 时序动作定位 多篇顶会论文概述（包含原文和代码）（1）
LiRongLu_的博客
05-17 1629
弱监督 时序动作定位 多篇论文概述 包含原文和代码 按年份2018-2021 1. Weakly Supervised Action Localization by Sparse Temporal Pooling Network 2. W-TALC: Weakly-supervised Temporal Activity Localization and Classification 3. Weakly-supervised Action Localization with Background .....
时序动作定位｜D2-Net:基于鉴别嵌入和去噪激活的弱监督动作定位（ICCV 2021）
LiRongLu_的博客
07-09 353
关于D2-Net: Weakly-Supervised Action Localization via Discriminative Embeddings and Denoised Activat论文学习，时序动作定位｜D2-Net:基于鉴别嵌入和去噪激活的弱监督动作定位。引入了一种新的损失公式，该公式联合增强了潜在嵌入的可分辨性和输出时序类激活对弱监督引起的前景背景噪声的鲁棒性。提出的公式包括一个判别和去噪损失项，以增强时序作用定位。该判别词引入了分类损失，并利用自顶向下的注意机制来增强潜在前......
时序动作定位 | 用于弱监督时态动作定位的细粒度时态对比学习（CVPR 2022）
LiRongLu_的博客
07-16 481
关于Fine-grained Temporal Contrastive Learning for Weakly-supervised Temporal Act论文学习，本文认为，通过上下文比较序列之间的差异来学习，在WSAL中提供了一种基本的归纳偏差，并有助于识别连贯的行动实例。具体而言，在可微动态规划公式下，设计了两个互补的对比目标，包括细粒度序列距离(FSD)对比和最长公共子序列(LCS)对比，其中第一个目标通过匹配、插入和删除动作来考虑各种动作/背景建议之间的关系，第二个...............
时序动作定位｜使用 ‘注意力机制’ 的弱监督时序动作定位顶会论文理解笔记（Weakly-Supervised Temporal Action Localization）
LiRongLu_的博客
06-17 1439
Weakly Supervised Action Localization by Sparse Temporal Pooling Network Weakly-Supervised Action Localization by Generative Attention Modeling A Hybrid Attention Mechanism for Weakly-Supervised Temporal Action Locali
弱监督下的目标检测算法
weixin_34038293的博客
04-12 1006
Weakly Supervised Object Detection 1. 附带论文和代码 https://paperswithcode.com/task/weakly-supervised-object-detection 转载于:https://www.cnblogs.com/haiyang21/p/10696931.html
给我介绍一下视频理解中的时序动作定位
03-05
时序动作定位是指在视频中识别和定位出特定的动作，以及确定这些动作发生的时间顺序。它是视频理解中的一个重要研究方向，可以应用于视频监控、智能交通、体育竞技等领域。时序动作定位需要结合计算机视觉、机器学习...

“相关推荐”对你有帮助么？

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论 2
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

编程日记✧

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值