时序动作定位 | 基于期望最大化多实例学习的弱监督动作定位(ECCV 2020)

已于 2023-02-10 14:31:26 修改
阅读量416 收藏
点赞数
分类专栏： 视频动作定位 文章标签： 深度学习 计算机视觉 视频 人工智能 Powered by 金山文档
于 2023-02-10 14:19:40 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/128938300
版权
EM-MIL模型基于深度学习和双流I3D特征，通过期望最大化和多实例学习进行弱监督动作定位。在E步骤中选择关键实例，M步骤中更新概念。模型通过交替训练关键实例分配和分类分支，利用伪标签提升性能，特别是关注前景类别的关键实例。
摘要由CSDN通过智能技术生成

Weakly-Supervised Action Localization with Expectation-Maximization Multi-Instance Learning(EM-MIL)

每条曲线表示一个袋子，曲线上的点表示袋子中的实例。目标是找到一个概念点，这样每个正袋包

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
专栏目录
订阅专栏
A2CL-PT:弱监督的时间活动本地化的对抗性背景感知损失（ECCV 2020）
05-28
弱监督的时间活动本地化的对抗性背景感知损失（ECCV 2020） | 概述 我们认为，现有的弱监督时间活动本地化方法无法充分区分每个视频感兴趣的活动的背景信息，即使这种能力对强大的时间活动本地化至关重要。 为此，...
论文阅读：Weakly-Supervised Action Localization with Expectation-Maximization Multi-Instance Learning
qq_40760171的博客
10-14 642
Weakly-Supervised Action Localization with Expectation-Maximization Multi-Instance LearningMethodE StepM Step Method E Step 更新φφφ 通过最小化KL(qφ(z∣X)∣∣pθ(z∣X,yc))KL(q_φ(z|X) || p_θ(z|X, y_c))KL(qφ​(z∣X)∣∣pθ​(z∣X,yc​))。 这里假设posterior pθ(zt∣Xt,yc)p_θ(z_t|X_t,
【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 2478
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。
近期论文阅读
qq_39862223的博客
11-03 590
[AAAI’21]ACSNet:Action-Context Separation Network for Weakly Supervised Temporal Action Localization 从图中可以看出，左侧绿色框表示是动作类、红色框表示是动作上下文、蓝色框表示为背景类。通过右图的特征空间可见，蓝色的背景类特征与GT相差较远，但是红色的上下文类与GT高度相似，特别是在边界区域，这就导致上下文的误检。 问题的引入：通过视频级别分类定位的前景不仅涉及实际操作实例，还涉及其周围的上下文。以前的方法利
[综述]弱监督动作定位Weakly Supervised Temporal Action Localization 论文阅读
NEUXia的博客
07-29 4940
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
【深度学习论文翻译】Weakly Supervised Action Localization by Sparse Temporal Pooling Network全文翻译
唐申庚的博客
08-02 2936
Phuc Nguyen（University of California Irvine, CA, USA） Ting Liu，Gautam Prasad（Google Venice, CA, USA） Bohyung Han（Seoul National University Seoul, Korea） 目录 目录 摘要 1.介绍 2.相关工作（略） 3.提出算法 3.1.动作...
[论文整理] 行为proposal生成、时序行为检测、弱监督时序行为检测
qq_42077083的博客
08-06 1434
原地址：https://zhuanlan.zhihu.com/p/112811396 时序行为检测 & 弱监督时序行为检测 & 时序行为proposal生成 论文整理 Temporal Action Detection & Weakly Supervised Temporal Action Detection & Temporal Action Proposal Generation 一、Temporal Action Proposal Generation 2.
FFWM:实施“基于照明流的特征变形以实现具有照明不一致监督的人脸正面化”（ECCV 2020）
05-10
我们的论文“学习基于照度的特征变形以实现对光照不统一的监督的人脸正面化”的源代码（ECCV 2020） 快速开始 安装 先决条件 - python3.7 - pytorch1.5.0 + torchvision0.6.0 - CUDA - opencv-python - numpy - ...
WS3D:``激光雷达点云的弱监督3D对象检测''（ECCV2020）的正式版
05-28
WS3D激光雷达点云的弱监督3D对象检测这是“来自激光雷达点云的弱监督3D对象检测”（ECCV2020）的官方仓库。 作者：孟庆浩，，周天飞，沉建兵，吕凡高和戴登新介绍： 这项工作提出了一种用于3D对象检测的弱监督方法，...
Python-弱监督和半监督全景分割ECCV18
08-11
ECCV（European Conference on Computer Vision）是计算机视觉领域的顶级会议之一，2018年的ECCV会议上提出了关于弱监督和半监督全景分割的研究，这正是“Python-弱监督和半监督全景分割ECCV18”这个主题所关注的...
Multi-Task-Learning-PyTorch:PyTorch多任务学习架构的实现，包括MTI-Net（ECCV2020）
05-05
多任务学习 此仓库旨在在PyTorch中实施几种多任务学习模型和培训策略。 该代码库是对以下工作的补充： ， ，Wouter Van Gansbeke，Marc Proesmans，Dengxin Dai和Luc Van Gool。 ， 和Luc Van Gool。 在可以找到...
CNN和MobileNetV2搭建的水果识别模型
chengxuyuanlaow的博客
11-09 745
在本项目中着重探索了利用深度学习模型进行水果图像分类的方法。具体而言包括使用卷积神经网络（CNN）模型进行水果图片的分类和探索轻量级神经网络模型MobileNetV2在水果图像分类中的应用。在第一项任务中，使用TensorFlow构建了一个简单的CNN模型，并通过调整模型参数来提高准确率。在实验过程中发现由于数据集的问题，训练结果并不理想，测试集上的准确率低于预期，同时出现了过拟合的情况。针对这个问题，从优化器、学习率和训练轮次等方面入手，对模型进行了改进和调整。
[卷积神经网络]使用YOLOv11训练自己的模型
就随便写写....
11-08 714
使用YOLOv11训练自己的数据
每天五分钟深度学习PyTorch：基于全连接神经网络完成手写字体识别
huanfeng_AI的博客
11-09 327
上一节我们学习了搭建普通的全连接神经网络，我们现在用它来解决一个实际问题，我们用它跑一下手写字体识别的数据，然后看看它的效果如何。
《深度学习》——深度学习基础知识（全连接神经网络）
qq_59702185的博客
11-07 1075
在介绍神经网络之前，我们先看下面这幅图：人工智能>机器学习>深度学习深度学习是机器学习的⼀个⼦集，也就是说深度学习是实现机器学习的⼀种⽅法。与机器学习算法的主要区别如下图所示：传统机器学习依赖于人工设计特征，并进行特征提取，而深度学习算法不需要人工，而是依赖算法自动提取特征，这也是深度学习被看做黑盒子、可解释性差的原因。卷积神经网络（CNN）循环神经网络（RNN）生成对抗网络（GAN）深度强化网络（DRN）
深度学习经典模型之VGGNet
weixin_43775295的博客
11-08 509
​ VGGNet是由牛津大学视觉几何小组（Visual Geometry Group, VGG）提出的一种深层卷积网络结构，他们以7.32%的错误率赢得了2014年ILSVRC分类任务的亚军（冠军由GoogLeNet以6.65%的错误率夺得）和25.32%的错误率夺得定位任务（Localization）的第一名（GoogLeNet错误率为26.44%）5^{[5]}5，网络名称VGGNet取自该小组名缩写。VGGNet是首批把图像分类的错误率降低到10%以内模型，同时该网络所采用的3×3。
机器学习、深度学习面试知识点汇总
最新发布
11-12 202
本人在面试中整理的资料和文字，主要针对机器学习、深度学习面试八股做浅显的总结，共20余篇，大部分来源于ChatGPT，欢迎各位指正。 文章系列图像使用动漫《星游记》插图。
深入探索AutoDL平台：深度学习GPU算力最佳选择
AI小白学习日记
11-12 802
在深度学习领域，计算资源是推动研究和开发的重要因素之一。幸运的是，AutoDL作为一款专业的GPU租用平台，正在改变我们获取计算资源的方式。今天，我将为大家详细讲解如何高效利用AutoDL，以及一些实用的小技巧和心得。
深度学习鲁棒性、公平性和泛化性的联系
威化饼的一隅
11-09 944
对深度学习的鲁棒性、公平性和泛化性之间的联系的思考
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