时序动作定位 | 背景点击监督的时序动作定位

已于 2024-06-01 11:10:42 修改
阅读量96 收藏
点赞数
分类专栏： 视频动作定位 文章标签： 人工智能 深度学习 python 视频 图像处理
于 2024-02-03 19:39:31 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/136014424
版权
论文提出BackTAL，一种利用背景点击监督进行弱监督时序动作定位的方法。它包含分数分离模块和亲和力模块，分别解决传统方法的局限性，分离动作与背景帧，提高定位精度。亲和力模块通过特定帧的注意力权重学习，增强模型区分动作和背景的能力。
摘要由CSDN通过智能技术生成

<Background-Click Supervision for Temporal Action Localization> 

        该论文介绍了 BackTAL，这是一种利用背景点击监督进行弱监督时序动作定位的新方法。 它将焦点从动作帧转移到背景帧，通过强调背景错误来改进定位。 BackTAL 包含分数分离模块和亲和力模块，增强了位置和特征建模。 

 Background-Click的说明

        Click 点击级别监督的说明：如上图(a)动作点击监督(橙色显示)在每个动作实例中随机点击一次，记录时间戳和分类标签，是SF-Net使用的。(b)本文使用的背景点击监督(红色显示)在每个背景段内随机点击一次，并记录时间戳。

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
时序动作定位｜基于背景建模的弱监督动作定位
LiRongLu_的博客
02-20 664
关于Weakly-supervised Action Localization with Background Modeling论文学习
SF-Net: Single-Frame Supervision for Temporal Action Localization
h137437的博客
11-21 1893
SF-NetAbstract1 IntroductionProposed Method3.1 Problem Definition3.2 Framework3.3 Pseudo Label Mining and Training Objectives3.4 InferenceExperimentsDatasetsImplementation DetailsConclusion 备注： 机翻，如有侵权，立即删除 code: https://github.com/Flowerfan/SF-Net source:
完全监督时序动作定位Fully Supervised Temporal Action Localization 论文阅读
NEUXia的博客
08-13 2776
Learning to Refactor Actionand Co-occurrence Features for Temporal Action Localization Bottom-Up Temporal Action Localization with Mutual Regularization Class Semantics-based Attention for Action Detection
Background Suppression Network for Weakly-supervised Temporal Action Localization
bugcat的博客
06-17 887
Background Suppression Network for Weakly-supervised Temporal Action Localization 提出问题： 弱监督视频动作定位中，先前的方法聚合帧级别的类分数，以产生视频级别的预测并从视频级别的动作中学习。此方法无法完全模拟问题，因为背景帧被迫错误地分类为行动类别，无法准确预测视频级标签。 做了什么： 设计了背景抑制网络（BaSNet），该网络引入了背景的辅助类，并具有带有非对称度量训练策略的两分支权重共享体系结构。这使BaSNet可以抑制
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
LiRongLu_的博客
04-25 213
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。
时序动作定位 | BaSNet：弱监督时序动作定位的背景抑制网络（AAAI 2020）
LiRongLu_的博客
06-02 607
关于Background Suppression Network for Weakly-Supervised Temporal Action Localization论文学习 作者引入了一个表示背景的辅助类，这是一个缺失的元素来建模弱监督时间动作定位问题。 作者提出了一种不对称的双分支权重共享架构，通过过滤模块和对比目标来抑制来自背景帧的激活。 作者的BaSNet在最流行的基准测试，THUMOS的14和ActivityNet的实验中优于目前最先进的WTAL方法。............
时序动作定位 | 利用片段对比学习的弱监督时序动作定位
LiRongLu_的博客
05-30 1275
关于CoLA: Weakly-Supervised Temporal Action Localization with Snippet Contrastive Learning论文学习，利用片段对比学习的弱监督时序动作定位
时序动作定位 | 基于判别增强的弱监督时序动作定位融合检测网络
LiRongLu_的博客
05-03 220
弱监督时序动作定位旨在仅使用视频级动作标签识别和定位未修剪视频中的动作实例。由于缺乏帧级注释信息，正确区分视频中的前景和背景片段对于动作的时间定位至关重要。然而，除了前景和背景片段外，视频中还存在大量语义相似的片段。这些片段与前景或背景共享相同的语义信息，导致操作实例的边界定位不那么细粒度。受多模态学习成功的启发，我们从多模态输入中提取高质量的语义特征，并构建对比度损失来增强模型区分语义相似片段的能力。本文提出了一种带有判别增强的融合检测网络具体而言，设计了一个融合检测模型。
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
08-10 520
Action Unit Memory Network for Weakly Supervised Temporal Action Localization
扩散模型（2）--1
m0_63860007的博客
09-29 946
生成模型通过学习并建模输入数据的分布，从而采集生成新的样木，该模型广泛运用于图片视频生成、文本生成和药物分子生成。扩散模型是一类概率生成模型，扩散模型通过向数据中逐步。
基于Keras的U-Net模型在图像分割与计数中的应用
最新发布
深度学习实战训练营，一起交流探索深度学习
10-04 1152
网络结构优化：项目基于经典的U-Net模型进行改进，采用了更深的网络层次结构，使模型能够在多尺度上捕捉到图像中的细节信息。特别是针对医学图像分割，项目通过增加卷积层数和引入Dropout层来增强模型的特征提取能力，并有效防止过拟合，从而提高模型在训练数据较少情况下的表现。项目中采用了he_normal初始化器和relu激活函数组合，使得网络在训练时能够更快地收敛，降低梯度消失的风险。自定义数据增强策略：在中实现了一个自定义的图像增强类。
大模型~合集5
whaosoft~aiotの开发板商城
10-02 1405
FLock 的机制设计受到了证明权益（PoS）区块链共识机制和桌面游戏《The Resistance》（一种角色扮演类游戏，该游戏的一个变种叫阿瓦隆）的启发。《The Resistance》游戏则通过投票机制，每轮游戏中玩家独立推理并投票，从而实现全局共识。《The Resistance》有两个不匹配的竞争方，其中较大的一方被称为抵抗力量，另一方被称为间谍。在《The Resistance》中，有一个投票机制，在每一轮中，每个玩家进行独立推理并为一个玩家投票，得票最多的玩家将被视为「间谍」并被踢出游戏。
Linux嵌入式有发展吗，以及对uboot，kernel，rootfs的领悟
rjszcb的博客
09-30 786
上一份工作是2022,11—2023，11年底，汽车公司，底层修修改改，编译镜像，修改后，客户给东西，重新编译给他，客制化配置启动参数，环境，支持应用部门，不懂怎么使用某些驱动。uboot到底是干嘛的，想想，emmc的镜像文件是怎么被读到ddr的，emmc为啥可以被分区，烧录镜像，tftp网络命令为啥可以运行，启动设备时，为啥lcd可以看到图像，kernel还没启动，怎么出图像的。不管做应用开发，驱动开发也好，知道，系统原理，驱动框架，进程管理调度，内核竞争，信号，中断，锁，这些就够了。
遥感影像-实例分割数据集：iSAID 从切图到YOLO格式数据集制作详细介绍
GIS潮流
09-30 1226
开源数据集isaid标注包含实例分割，但是原始影像太大，很吃显存，一般显卡无法用原始影像直接训练，所以需要对影像进行裁剪，并生成对应的标签，因为想用yolo系列跑模型，所以将标签需要转为txt格式。
树莓派外挂Camera4（pipeline）
fanged的专栏
10-03 469
现在说起Pipeline都有点迷糊了，很多都是这个概念。GStreamer里面有，相机里面有，然后还有别的地方也有。pipeline本身其实没什么特殊的，简单理解就是一段处理。晚上查了一下，确实这几个地方都叫pipeline，然后树莓派还有个自己的Post-processing，也就是后处理。今天主要说camera的和Post-processing的。
GraphEval: A Knowledge-Graph Based LLM Hallucination Evaluation Framework
weixin_43961909的博客
10-02 1266
评估大型语言模型(LLM)响应和检测不一致性(也称为幻觉)的方法对于LLM应用变得越来越重要。当前的度量标准在提供可解释的决策、系统地检查响应中的所有信息片段的能力方面存在不足，并且通常计算成本太高而无法在实践中使用。我们提出GraphEval:一个基于知识图(KG)结构表示信息的幻觉评估框架。我们的方法识别了KG中易于产生幻觉的特定三联体，因此比以前的方法提供了对反应中幻觉发生位置的更多了解。
pytorch搭建神经网络(手搓方法)
2303_77275067的博客
10-02 661
假如我们有一个数据集形状为(348,14)。即有348个记录，每个记录有14个特征值。
【YOLO目标检测吸烟检测数据集】共6097张、已标注txt格式、有训练好的yolov5的模型
LINBONB的博客
10-03 418
标注数量(txt文件个数)：6097。训练好的yolov5检测模型。数据集格式：YOLO格式。标注类别名称：smoke。
弱监督时序动作定位：单帧标记策略
"付碧波的本科毕业设计论文主要探讨了弱监督时序动作定位的问题，特别是在使用单帧标记监督的背景下。该论文由葛永新教授指导，属于重庆大学大数据与软件学院软件工程专业。 论文摘要： 论文的核心是研究如何在有限...
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