![](https://img-blog.csdnimg.cn/20201014180756913.png?x-oss-process=image/resize,m_fixed,h_64,w_64)
论文阅读
文章平均质量分 89
BENULL
blog.benull.top
展开
-
[异常检测] Multi-timescale Trajectory Prediction for Abnormal Human Activity Detection
Multi-timescale Trajectory Prediction for Abnormal Human Activity Detection会议: WACV 2020论文:https://arxiv.org/abs/1908.04321代码:https://github.com/Rodrigues-Royston/Multi-timescale-Trajectory-Prediction-for-Abnormal-Human-Activity-Detection在本文中,提出了一个多时原创 2022-01-03 15:57:29 · 1719 阅读 · 0 评论 -
[异常检测] Regularity Learning via Explicit Distribution Modeling for Skeletal Video Anomaly Detection
Regularity Learning via Explicit Distribution Modeling for Skeletal Video Anomaly Detection单位: 上海交通大学、商汤、上海AI Lab论文地址:https://arxiv.org/abs/2112.03649基于像素的方法可以直接利用显式运动特征比如光流,但基于姿态的方法缺乏运动表示。本文提出了一种新的Motion Embedder (ME),从概率角度提供姿态的运动表示。此外,还采用了一种新的特定任务的S原创 2021-12-29 21:17:40 · 1544 阅读 · 0 评论 -
[异常检测] Learning Memory-guided Normality for Anomaly Detection
Learning Memory-guided Normality for Anomaly Detection单位:Yonsei University会议:CVPR 2020论文地址:Learning Memory-guided Normality for Anomaly Detection代码地址:https://github.com/cvlab-yonsei/MNAD基于CNN方法的一个缺点就是没有考虑正常样本的多样性,CNNs的能力太强,对于输入是异常的视频帧样本,也能重建的像异常视频帧,原创 2021-12-28 21:56:44 · 2417 阅读 · 2 评论 -
A Hierarchical Spatio-Temporal Graph Convolutional Neural Network for Anomaly Detection in Videos
A Hierarchical Spatio-Temporal Graph Convolutional Neural Network for Anomaly Detection in Videos单位:北京航空航天大学会议:TCSVT论文地址:arxiv提出的Spatio-Temporal Graph Convolutional Neural Network (HSTGCNN) 由多个分支组成,这些分支对应于不同级别的图表示。高阶图表示编码人的轨迹和多个人之间的交互,而低阶图表示编码每个人的局部身原创 2021-12-27 19:08:16 · 1256 阅读 · 0 评论 -
[异常检测] Graph Embedded Pose Clustering for Anomaly Detection
Graph Embedded Pose Clustering for Anomaly Detection会议:CVPR 2020单位:Tel-Aviv University, Alibaba Group论文:arxiv代码:code创新从输入视频序列计算得到人体姿态图,之后通过时空图卷积自编码器和聚类将这些姿态图映射到隐空间提出了两种粒度的异常检测粗粒度,指定某类行为是正常其余为异常行为(ShanghaiTech Campus数据集上)细粒度,指定某类行为为异常其余非异常行为 (NTU原创 2021-12-22 20:47:27 · 1772 阅读 · 0 评论 -
[异常检测]Learning Regularity in Skeleton Trajectories for Anomaly Detection in Videos
Learning Regularity in Skeleton Trajectories for Anomaly Detection in Videos单位: Deakin University会议: CVPR 2019论文地址: arxiv代码: skeleton_based_anomaly_detection问题该问题的挑战性在于缺乏人的监督和视频事件中人类可感知异常的定义很模糊。其中基于像素的特征受噪音影响大,掩盖了场景中的重要信息,更进一步,这些特征中存在的冗余信息增加了训练模型去原创 2021-12-21 19:01:19 · 593 阅读 · 0 评论 -
推荐系统模型之DIN
推荐系统模型之DINDeep Interest Network(DIN)由阿里妈妈的精准定向检索及基础算法团队在2017年6月提出。 它针对电子商务领域(e-commerce industry)的CTR预估,重点在于充分利用/挖掘用户历史行为数据中的信息。论文地址主要思路针对问题第一个问题是目前很多推荐系统模型,都是以 Embedding & MLP 的方法结合,这种方法相对传统机器学习有较好的效果提升,但是存在一些缺点用户的兴趣通常是多种多样的,而 Embedding &原创 2021-09-16 17:42:12 · 851 阅读 · 1 评论 -
推荐系统模型之DeepFM
推荐系统模型之DeepFMDeepFM: A Factorization-Machine based Neural Network for CTR Prediction是华为和哈工大在2017发表的论文,在Wide&Deep结构的基础上,使用FM取代Wide部分的LR,不需要再做复杂的特征工程,可以直接把原始数据输入模型。主要思路DeepFM=DNN+FM因子分解机(Factorization Machines,FM),具有自动学习交叉特征的能力,避免了Wide & Deep模型中浅原创 2021-09-12 15:14:21 · 369 阅读 · 0 评论 -
[论文阅读] Transformer(Attention Is All You Need)
Transformer 是 Google 团队在 17 年 6 月提出的 NLP 经典之作,由 Ashish Vaswani 等人在 2017 年发表的论文 Attention Is All You Need 中提出。Transformer 在机器翻译任务上的表现超过了 RNN,CNN,只用 encoder-decoder 和 attention 机制就能达到很好的效果,最大的优点是可以高效地并行化原创 2021-05-16 11:53:19 · 292 阅读 · 0 评论 -
[论文阅读] ACTION-Net: Multipath Excitation for Action Recognition
提出了一个即插即用、轻量级的时空、通道和运动激励模块(ACTION)采用了多路径激励的方法有效地捕获时空特征、通道特征和运动特征提出的ACTION模块可以被任何二维卷积模型用来构建视频动作识别网络原创 2021-04-01 16:20:11 · 2747 阅读 · 0 评论 -
知识图谱内容调研
知识图谱的本质是揭示实体之间关系的语义网络原创 2021-03-03 10:39:02 · 1204 阅读 · 0 评论 -
[论文阅读] Feedback Graph Convolutional Network for Skeleton-based Action Recognition
近年来,许多学者利用图卷积网络(GCN)对骨架序列进行端到端优化建模。然而,传统的gcn是前馈网络,浅层不能访问到深层的语义信息,在这篇论文中,提出一个新的网络,称为反馈图卷积网络(FGCN)这是首次将反馈机制引入GCNs和动作识别中与传统的gcn相比,FGCN具有以下优点设计了一种多阶段的时间采样策略,以从粗到精的渐进过程提取动作识别的时空特征提出了一种基于稠密连接的反馈图卷积块(FGCB)来引入反馈连接,它将高层语义特征传递到底层,并逐级传递时间信息,逐步建立全局时空特征模型,用于动作识原创 2020-12-16 04:09:10 · 742 阅读 · 0 评论 -
[论文阅读] Temporal Extension Module for Skeleton-Based Action Recognition
提出了一个用于基于骨架的动作识别的的时域扩展模块,现有的方法试图在帧内表示更合适的空间图,但忽略了帧间时间图的优化具体来说,这些方法只连接帧间同一关节对应的顶点。在这篇论文中,着重于在帧间添加与相邻多个顶点的连接,是提取人体运动中多个关节的相关特征的一种简单而有效的方法原创 2020-12-10 06:33:43 · 486 阅读 · 0 评论 -
[论文阅读] Contextual Residual Aggregation for Ultra High-Resolution Image Inpainting
提出了一种上下文残差聚合(CRA)机制,该机制可以通过对上下文补丁中的残差进行加权聚合来生成丢失内容的高频残差,因此网络的训练仅需要低分辨率即可,由于神经网络的卷积层仅需要在低分辨率的输入和输出上进行操作,因此降低了内存和计算能力的成本,此外,还减轻了对高分辨率训练数据集的需求原创 2020-12-09 17:58:35 · 3407 阅读 · 0 评论 -
[论文阅读]DDGCN: A Dynamic Directed Graph Convolutional Network for Action Recognition
DDGCN: A Dynamic Directed Graph Convolutional Network for Action Recognition原创 2020-11-17 21:31:30 · 1408 阅读 · 2 评论 -
[论文阅读]Which Is Plagiarism: Fashion Image Retrieval Based on Regional Representation for Design Prote
Which Is Plagiarism: Fashion Image Retrieval Based on Regional Representation for Design Protection图像检索服装检索机器学习深度学习原创 2020-11-03 20:32:33 · 700 阅读 · 1 评论 -
[论文阅读]Spatial Residual Layer and Dense Connection Block Enhanced Graph Convolutional Network
Spatial Residual LayerDense Connection BlockSkeleton-Based Action Recognition原创 2020-10-13 18:52:57 · 943 阅读 · 0 评论 -
[论文阅读]Spatio-Temporal Graph Routing for Skeleton-Based Action Recognition
Spatio-Temporal Graph Routing for Skeleton-Based Action Recognitionpaper: https://www.aaai.org/ojs/index.php/AAAI/article/view/4875/4748基于骨架的动作识别时空图路由方法摘要 基于骨架的人体动作识别由于其表征的有效性,受到了相当多的研究关注,并具有广泛的实际应用。 在这一领域,现有的许多方法通常依赖于固定的骨架结构物理连通进行识别,这不能很好地捕捉到骨架关节之间原创 2020-08-21 15:28:16 · 1598 阅读 · 2 评论 -
[论文阅读] Disentangling and Unifying Graph Convolutions for Skeleton-Based Action Recognition
Disentangling and Unifying Graph Convolutions for Skeleton-Based Action Recognition原创 2020-08-06 22:15:35 · 3911 阅读 · 4 评论