时序动作定位 | 探索去噪跨视频对比弱监督时间动作定位（CVPR 2022）

已于 2022-07-10 17:46:35 修改
阅读量377 收藏 1
点赞数 1
分类专栏： 视频动作定位 文章标签： 人工智能 机器学习 深度学习 计算机视觉 视频
于 2022-07-10 17:45:49 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/125706432
版权
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
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
时序动作定位 | AUMN：弱监督时间动作定位的动作单元记忆网络（CVPR 2021）
LiRongLu_的博客
08-10 449
Action Unit Memory Network for Weakly Supervised Temporal Action Localization
时序动作定位 | (有监督)基于多阶段cnn的未裁剪视频时间动作定位（CVPR 2016）
LiRongLu_的博客
08-10 647
Temporal Action Localization in Untrimmed Videos via Multi-stage CNNs
STPP[时间金字塔池化]||SSN(Temporal Action Detection with Structured Segment Networks)时间动作定位
Or1ana的博客
10-28 371
以举例的形式讨论了文章[时间动作定位]网络SSN(Temporal Action Detection with Structured Segment Networks)中的STPP模块，主要针对文章中部分歧义的地方进行探讨，如有错误欢迎指正与讨论
干货！视频中的时序定位——面向实时、灵活、精确的解决方案
AITIME_HY的博客
09-04 1603
点击蓝字关注我们AI TIME欢迎每一位AI爱好者的加入！得利于数码相机的便利和社交网络的发展，每秒钟都有大量视频都在生成和传播。因此，视频分析和理解成为计算机视觉界最重要的研究课题之一。最近，视频分析的重点逐渐的从片段视频的动作分类转向未修剪视频的时序定位。这是因为在许多现实世界的应用中，通常会呈现长的、未修剪的视频，而不是短的视频剪辑。未修剪的原始视频通常具有单调的背景场景和包含特定动作的前景...
时序动作定位基本知识
m0_60273616的博客
11-09 2426
对时序结构信息建模的算法：SSN(Structured Segment Network，结构化视频段网络)算法 (Zhao et al., 2020) 对动作不同的阶段 (开始、过程、结束) 进行建模，SSN 不仅会预测候选时序区间内的动作类别，还会预测候选时序区间的完整性，这样做的好处是可以更好地定位动作开始和结束的时刻。基于滑动窗的算法：这类算法的基本思路是预先定义一系列不同时长的滑动窗，之后滑动窗在视频上沿着时间维度进行滑动，并逐一判断每个滑动窗对应的时序区间内具体是什么动作类别。
CVPR 2022 LaTex 模板
05-07
CVPR 2022 LaTex 模板
CVPR2022 - 弱监督多标签分类中的损失问题.doc
07-12
CVPR2022 - 弱监督多标签分类中的损失问题.doc
instance-aware弱监督目标检测CVPR2020.pdf
05-29
Weaklysupervisedlearninghasemergedasacompelling tool for object detection by reducing the need for strong supervision during training. However, major challenges remain: (1) differentiation of object ...
Modaily-Aware-Audio-Visual-Video-Parsing:CVPR 2021纸代码探索弱监督的视听视频解析的异构线索
04-13
探索用于弱监督的视听视频解析的异构线索CVPR 2021纸代码视听视频解析任务我们旨在识别视频中的声音和可见事件及其时间位置。 请注意，视觉和音频事件可能是异步的。准备数据请参阅以下载LLP数据集和预处理的音频和...
Latex CVPR 2022模板
03-03
│ cvpr.sty │ egbib.bib │ ieee_fullname.bst │ PaperForReview.pdf │ PaperForReview.tex │ README.md │ RebuttalTemplate.pdf │ RebuttalTemplate.tex
结合分水岭和回归网络的视频时序动作选举算法
01-26
针对时序动作选举任务,设计一种两段式动作候选区域选举网络。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信息进行结构化建模,生成一个增强的全局特征。第二段利用时序坐标回归算法定位动作边界,同时加入动作/背景分类器过滤背景候选区域,得到更加精确的时序边界。整个网络以三维卷积神经网络(C3D)提取的单元级特征进行训练,挖掘了视频时域和空域的丰富语义,在提升算法精度的同时大大提升了训练效率。在两大基准数据集Thumos 14和ActivityNet上进行测试,结果表明,与已有方法相比,两段式视频时序动作选举算法达到了最优平均召回率,可有效提高动作定位的精度。
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 1632
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 | RSKP:基于代表片段知识传播的弱监督时间动作定位（CVPR 2022）
LiRongLu_的博客
07-14 662
关于论文学习 提出了一个具有代表性的代码片段汇总和传播框架。作者的方法试图挖掘每个视频中的代表性片段，以便在视频片段之间传播信息，以生成更好的伪标签。对于每个视频，以视频内和视频间的方式传播其自身的代表片段和来自存储库的代表片段以更新输入特征。伪标签是由更新特性的时间类激活映射生成的，以纠正主分支的预测。.........
时序动作定位 | 弱监督时间动作定位的双证据学习（ECCV 2022）
LiRongLu_的博客
10-27 700
Dual-Evidential Learning for Weakly-supervised Temporal Action Localization（ECCV 2022）
Cross-modal Video Moment Retrieval（跨模态视频时刻检索综述）
nakaizura
07-13 1万+
这个方向的出的文章已经有很多了，但是似乎还没有一个统一一点的名字，叫 时域语言定位（Temporally Language Grounding），或者跨模态视频时刻检索/定位（Cross-modal Video Moment Retrieval/Localization）等等都有。 大概给一个定义就是：给定一句自然语言描述的查询语句query，在未剪裁的完整视频中确定该描述发生的时间片段（起始时间，终止时间），简单来讲如上图，就是用一段文字查询具体的视频片段。它与纯的动作定位任务不同之处在于多了跨模态（文.
时序动作检测/定位(Temporal Action Detection)(Temporal Action Localization)-约40篇论文阅读笔记
Louis210的博客
08-24 5226
时序动作检测(Temporal Action Detection)(Temporal Action Localization)-综述
【Spatial-Temporal Action Localization（一）】认识时空动作定位
最新发布
三木今天学习了嘛の博客
09-10 815
时空动作检测 (spatio-temporal action detection) ： 输入一段未剪辑（untrimmed）视频，不仅需要识别视频中动作的起止时序和对应的类别，还要在空间范围内用一个包围框 (bounding box)标记出人物的空间位置。, and, the, andareand时空动作检测的目的是在空间和时间上定位动作实例，并识别动作标签。在本任务的全监督设置中，视频级动作实例的时间边界、帧级动作的空间边界框和动作标签在训练期间提供，并且必须在推理期间检测到。
CVPR 2023 | 去雨去噪去模糊，图像low-level任务，视觉AIGC系列
idol24的博客
05-29 2979
Learning A Sparse Transformer Network for Effective Image Deraining基于Transformer的方法在图像去雨任务中取得了显著的性能，因为它们可以对重要的非局部信息进行建模，这对高质量的图像重建至关重要。本文发现大多数现有的Transformer通常使用查询-键对中的所有token的相似性进行特征聚合。然而，如果查询中的token与...
AAAI 2022 论文列表
热门推荐
gbstack08的专栏
02-15 2万+
链接及代码之后会更新 GitHub链接：https://github.com/gbstack/AAAI-2022-papers Scaled ReLU Matters for Training Vision Transformers Pichao Wang, Xue Wang, Hao Luo, Jingkai Zhou, Zhipeng Zhou, Fan Wang, Hao Li, Rong Jin Search Strategies for Topological Network Optimizat
自监督图像去噪CVPR2023
08-30
自监督图像去噪是一种通过自动合成噪声图像对进行训练的方法，用于消除图像中的噪声并恢复原始图像的技术。在CVPR2023会议中，发表了一篇名为"Learning A Sparse Transformer Network for Effective Image Deraining"的论文，该论文提出了一种基于稀疏Transformer网络的自监督图像去噪方法。 图像去噪是一个基本的低级图像处理任务，其目标是消除噪声并恢复清晰的图像。而自监督图像去噪方法使用自动生成的噪声图像对进行训练，可以在没有人工标签的情况下学习图像去噪模型。 深度学习已经成为图像去噪的主流方法，特别是Transformer模型的出现，它在各种图像任务上取得了显著的进展。然而，现有的基于深度学习的方法在噪声分布不同的情况下可能缺乏泛化能力。例如，在高斯噪声上训练的模型可能在其他噪声分布上的测试中表现不佳。 因此，CVPR2023的这篇论文提出了一种基于稀疏Transformer网络的自监督图像去噪方法，通过学习噪声图像对进行训练，可以有效地消除图像中的噪声并恢复原始图像的质量。这种方法具有很大的潜力在实际图像处理任务中得到应用。<span class="em">1</span><span class="em">2</span><span class="em">3</span> #### 引用[.reference_title] - *1* *3* [CVPR 2023 | 去雨去噪去模糊，图像low-level任务，视觉AIGC系列](https://blog.csdn.net/lgzlgz3102/article/details/130939564)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] - *2* [【论文速递】CVPR2022-Blind2Unblind：具有可见盲点的自监督图像去噪](https://blog.csdn.net/weixin_47525542/article/details/128780908)[target="_blank" data-report-click={"spm":"1018.2226.3001.9630","extra":{"utm_source":"vip_chatgpt_common_search_pc_result","utm_medium":"distribute.pc_search_result.none-task-cask-2~all~insert_cask~default-1-null.142^v93^chatsearchT3_2"}}] [.reference_item style="max-width: 50%"] [ .reference_list ]

“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
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