基于敏锐背景响应和自蒸馏学习的弱监督时序动作定位 SODA: WTAL Based on Astute Background Response and Self-Distillation Learni

已于 2024-02-05 09:23:30 修改
阅读量100 收藏
点赞数 1
分类专栏： 视频动作定位 文章标签： 人工智能 图像处理 视觉检测 学习 python
于 2024-02-03 21:00:48 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/136015407
版权
SODA方法针对弱监督时序动作定位的过度定位、联合定位和欠定位挑战，提出机敏的背景响应策略抑制背景响应，自蒸馏学习增强模型发现完整动作框架。背景响应策略通过背景帧的零约束减少模型的过度定位；自蒸馏学习利用多个网络的集体智慧提升定位准确性。
摘要由CSDN通过智能技术生成

        “SODA: Weakly Supervised Temporal Action Localization Based on Astute Background Response and Self-Distillation Learning”提出了一种创新方法来解决弱监督时间动作定位中过度定位、联合定位和欠定位的挑战。 作者介绍了两种主要策略：敏锐的背景响应和自我蒸馏学习。 这些策略旨在分别有效抑制背景响应并增强模型发现完整动作框架的能力。 

 三个挑战以及解决策略

弱监督时序动作定位任务的三个挑战：(a)过度定位、(b)联合定位、(c)欠定位。

（a）（b）由于背景抑制不足导致，作者提出了机敏的背景响应策略。

（c）由于动作发现不足，作者提出了自蒸馏学习策略。

单帧注释情况

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
[综述]弱监督动作定位Weakly Supervised Temporal Action Localization 论文阅读
NEUXia的博客
07-29 4939
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
soda:SODA开放数据框架和发行版。 （以前称为“发行版”）
03-19
SODA Foundation为跨项目的协作和集成提供了一个中立的论坛，并为最终用户提供了优质的端到端解决方案。 使命 建立一个开放源数据管理和存储软件生态系统，以实现数据自治 为跨项目的协作和集成提供一个中立的论坛 ...
[论文笔记]ChatQA: Surpassing GPT-4 on Conversational QA and RAG
日积月累，天道酬勤
09-11 1900
⭐ 作者介绍了 ChatQA，一种两阶段指令微调方法，提高了 RAG 的表现。还引入了一种针对多轮对话 QA 优化的密集检索器。
用于表格检测和结构识别的深度学习研究综述-Deep learning for table detection and structurerecognition: A survey
qq_55888300的博客
01-27 1527
TableSegNet使用较浅的路径来发现高分辨率的表格位置，而使用较深的路径来检测低分辨率的表格区域，将发现的区域分割成单独的表格。为了提高网络学习表格空间排列方面的能力，作者将退化纳入了网络的核心，并创建了一个简单的FPN网络来提高模型的有效性。Y Li[《A gan-based feature generator for table detection》]提供了一种新的网络来生成表格文本的布局元素，并提高规则较少的表格的识别性能。后来，随着更复杂的架构的发展，更多的工作被放到表列和整体结构识别中。
2022最新综述 | 面向大规模场景的小目标检测：综述和 benchmark
qq_29462849的博客
08-04 5204
点击上方“计算机视觉工坊”，选择“星标”干货第一时间送达作者丨汽车人来源丨自动驾驶之心1论文背景目标检测在过去几年中取得了显著的进展，然而，由于小目标视觉特征较差、噪声较多，小目标检测已成为计算机视觉中最具有挑战性的任务之一。此外，用于小尺寸目标检测的大规模基准测试数据集仍然不够全面。本文首先对小目标检测方法进行了全面的回顾，除此之外，还构建了两个大规模小目标检测数据集...
SimD：基于相似度距离的小目标检测标签分配
AI浩
09-04 1123
AbstractC. Results。
优秀！华为诺亚方舟实验室联合中山大学发布新一代半/自监督的2D基准数据集SODA10M
王博（Kings）的博客
07-01 2712
32个城市采集的一千万张多样性丰富的无标签道路场景图片以及两万张带标签图片 https://arxiv.org/pdf/2106.11118.pdf 2021年6月最新的 对比一下数据集： SODA10M主要分为两个部分，分别包含一千万张无标签图片以及两万张有标签图片（标注了6种主要的人车场景类别，Pedestrian/Cyclist/Car/Truck/Tram/Tricycle）。 采集的地区位置 重要表格： 详细代码地址：https://soda-2d.gi
C会区块链论文速读-TrustCom 2023（5/6）大语言模型和区块链如何结合？
软件工程小施同学 的专栏
06-28 2346
我们的模型在七种类型的漏洞中取得了 82.63% 的平均准确率和 79.74% 的 F1 分数，这对于确保智能合约中的资金和逻辑安全非常重要。在合约漏洞的语义提取阶段，TSCSG 利用智能合约数据传播链提取智能合约漏洞的语义特征，然后结合图特征得出最终检测结果。我们在 EtherScan 数据集上进行的大规模实证研究表明，TSCSG 在检测重入性和时间戳漏洞方面取得了令人满意的结果，优于 9 种最先进的漏洞检测方法。此外，我们的重要发现是，通过分析智能合约交易的特征，可以将其集合表示为一个超图网络。
CODA：自动驾驶中道路目标检测的极端情况数据集
3D视觉工坊
04-11 2277
点击上方“3D视觉工坊”，选择“星标”干货第一时间送达来源丨计算机视觉深度学习和自动驾驶2022年3月arXiv论文“CODA: A Real-World Road Corner Case Dataset for Object Detection in Autonomous Driving“，华为和香港、广州两所大学一起发表。大多数现有的检测器无法检测到不常见的目标和极端...
Python机器学习&数据分析-关联规则
Mind_programmonkey的博客
08-04 5798
Python机器学习&数据分析-关联规则 机器学习课程的笔记整理 一、关联规则前置知识 关联规则 在美国，一些年轻的父亲下班后经常要到超市去买婴儿尿布，超市也因此发现了一个规律，在购买婴儿尿布的年轻父亲们中，有30%～40%的人同时要买一些啤酒。超市随后调整了货架的摆放，把尿布和啤酒放在一起，明显增加了销售额。 若两个或多个变量的取值之间存在某种规律性，就称为关联 关联规则是...
Self-Organised Direction Aware Data Partitioning Algorithm：用于数据分区/聚类的 SODA 算法的源代码。-matlab开发
05-29
该软件包包含： 1、最近推出的自组织方向感知数据分区算法（SODA）； 2.离线数据分区演示； 3.离线素数和进化扩展的混合演示。 SODA 算法用于数据分区。 数据分区非常接近聚类，但最终结果将是形状不规则的数据云...
soda:API-开源
04-26
标题 "soda: API-开源" 提供了一个关键信息，即 soda 是一个开源的应用程序，其API用于构建和修改模型。描述进一步揭示了 soda 的核心功能，它简化了模型创建的过程，自动处理复杂的任务，让开发者可以专注于创新，...
掌握AIStarter新功能，轻松关闭广告享受纯净浏览体验
ai_xiaogui的博客
11-07 413
AIStarter的广告拦截器是一项集成在平台内部的新特性，它允许用户根据自己的喜好设置广告过滤规则。无论是烦人的横幅广告、视频前贴片广告还是弹窗广告，都可以通过简单的设置被有效屏蔽。这项功能不仅提升了用户的浏览效率，还保护了用户的隐私安全。在数字时代，拥有一个清爽无干扰的网络环境对每个人都至关重要。AIStarter的广告拦截器正是为此而设计，它帮助用户夺回了对个人浏览体验的控制权。现在就尝试启用这项功能，开始享受一个更加干净、高效的上网体验吧！不要广告！关闭广告！
探索App Intents：让你的应用与Siri无缝互动的新方式
最新发布
jixn的博客
11-09 1150
苹果推出了一个新框架——App Intents，使开发者可以在iOS 18.2+、macOS 15.2+等平台上集成Siri和Apple Intelligence，实现对应用内容的读取和操作。App Intents使应用的功能和内容能无缝融入系统体验中，例如Siri、Spotlight搜索、快捷指令和小组件，让用户可以轻松访问应用核心功能，并获得更智能的Siri帮助。：表示应用内容，如照片、联系人或文件。：用户可以对 Siri 发出指令，例如“查找我的航班”或“添加待办事项”，Siri直接与应用交互。
一次薅国家超算平台的记录
weixin_55179972的博客
11-07 407
参与 谁是下一个“AI”跃人 -AI体验推介活动，赢取千元算力券！（https://www.scnet.cn/home/subject/modular/index270.html）2. Clone开源的Llama3 Chinese （https://github.com/LlamaFamily/Llama-Chinese）活动名称主题：国家超算互联网「AI跃升季」：谁是下一个“AI”跃人 - AI算力体验活动。其中位置1，2替换为商品基模型和训练出来的微调模型。模型改为商城下载的模型。2、运行的过程记录。
在后LLM时代，关于新一代智能体的思考
langboat_mengzi的博客
11-07 765
同时，新一代智能体工具平台应具备与基座LLM保持独立的多层次智能体系，无需依赖单一大模型或者技术供应商，如此一来，有利于实现模块化开发，具备较强的可维护性，同时还能够建立良好的生态，促进智能体的繁荣发展。而“慢思考”是指在基础模型的基础上，当处理一些复杂指令时，智能体将需求拆解成多个子任务，会调用不同的工具来完成任务，并对结果进行反思、确认，这一过程体现了一种类似于人类思维的“系统 2”的过程，即 step-by-step、可解释的且能导致更准确结果的过程。这些能力对于智能体具有重要的作用和价值。
Yolo11实战改进：一文读懂Yolo11到实战。
m0_47867638的博客
11-09 554
YOLO11是Ultralytics YOLO系列实时目标检测器的最新迭代版本，它以尖端的精度、速度和效率重新定义了可能性。在之前YOLO版本令人瞩目的进步基础上，YOLO11在架构和训练方法上引入了重大改进，使其成为各种计算机视觉任务的通用选择。关键特性：YOLO11采用改进的主干网络和颈部架构，提高了特征提取能力，以实现更精确的目标检测和更复杂的任务性能。YOLO11引入了精细的架构设计和优化的训练流程，提供了更快的处理速度，并在准确性和性能之间保持了最佳平衡。
CVPR2024：PKINet(上下文锚点注意力机制)
kuailezzf的博客
11-06 479
PKINet采用无扩展的多尺度卷积核来提取不同尺度的目标特征并捕获局部上下文。具体来说，首先，PKINet不依赖于大核卷积或膨胀卷积来扩展感受野，而是利用无扩展的深度卷积（inception-style）来提取不同感受野之间的多尺度纹理特征。最后，这两个模块协同工作，促进了局部和全局上下文信息的自适应特征提取，从而提高了遥感目标检测的性能。为了解决上述问题，以前的方法是通过大核卷积或膨胀卷积来扩展主干网络的空间感受野。但是，前者通常会引入相当大的背景噪声，而后者可能会产生过于稀疏的特征表示。
Bert快速入门
qq_36070104的博客
11-06 1064
Python 语言 BERT 入门：让我们一起“吃透”BERT
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