《ECO: Efficient Convolutional Network for Online Video Understanding》阅读笔记

最新推荐文章于 2024-07-10 08:41:33 发布
最新推荐文章于 2024-07-10 08:41:33 发布
阅读量278 收藏
点赞数
文章标签： 计算机视觉
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/qq_40133804/article/details/104880576
版权

《ECO: Efficient Convolutional Network for Online Video Understanding》

前言

这是一篇2018年提交在ECCV的论文，在文章的 Introduction部分，作者描述了自己对构建行为识别模型的一些看法：1、作者认为一个动作良好的初始分类是可以从单帧中获取的。所以单帧的领域信息对于网络都是冗余的。2、要想连接远距离帧的上下文关系，不能只是简单的预测分数相加（类似TSN）。所以作者想到了可以结合TSN和3DCNN的各自优势，构建一个既可以减少冗余信息计算量又可以实现长距离帧与帧之间连接的模型。在这里插入图片描述

这个模型有三个特点：1、与TSN类似从整个视频抽取固定数量帧来代表整个视频的信息。2、用3DCNN来学习帧与帧之间的联系。3、网络直接给出视频级的分数，不需要融合分数。

模型

模型的输入是从视频的N等份子片段中随机采样的一个帧（即输入为N个帧）。每个帧都由一个二维卷积网络(权值共享)处理，它产生一个特征表示编码帧的外观。然后将所有帧的表示叠加起来，并将它们输入到一个3D卷积网络中。这个网络生成最终的action类标签。

<

最低0.47元/天 解锁文章
程序小翰
关注
  • 0
    点赞
  • 踩
  • 0
    收藏
    觉得还不错? 一键收藏
  • 0
    评论
ECO: Efficient convolutional Network For online video understanding（在线视频理解，实时，动作分类，视频描述）
xiayuanma的专栏
05-21 4746
问题： 1. 大部分推理均是局部进行的，丧失了跨越数秒的动作内的重要关系 2. 尽管有快速桢处理的局部方法，整个视频的处理效率不高，有损在线长视频分类检索的效率 本文： 引入一网络结构（考虑进了长视频和短视频，同时能使快速实现每个视频（per-video）的处理） 该结构基于融合网络中的长程内容，而不是post-hoc fusion。 采用采样策略（相邻帧大多是冗余的），产生能达到...
轻量化网络（五）ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices
shentu7的博客
04-17 402
ShuffleNet是由旷视推出的专门为移动设备设计的神经网络，主要使用了pointwise group convolution and channel shuffle这两个操作。实验在Arm端手机上运行，在保持精度不变的情况下，比 AlexNet提速了13倍。 一、Channel Shuffle for Group Convolutions 现在很多网络如Xception 和 ResNeXt都会使用深...
ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices
LYKymy的博客
07-31 732
Abstract 我们介绍了一种名为ShuffleNet的极其计算高效的CNN架构，该架构专为计算能力非常有限的移动设备而设计。新架构采用了两种新的操作，逐点组卷积和通道切换，大大降低了计算成本，同时保持了准确性。ImageNet分类和MS COCO物体检测的实验证明了ShuffleNet优于其他结构的优越性能，例如： 在40MFLOP的计算预算下，其在ImageNet分类任务中比MobileN...
网络结构（1）ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices
volga_chen的博客
01-08 641
论文目录ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices引言 ShuffleNet: An Extremely Efficient Convolutional Neural Network for Mobile Devices 本文针对计算资源非常有限(10-150 MFLOPs)的移动设备...
ECCV 2018 论文下载及分析（774篇全）
热门推荐
愿十四亿神州尽舜尧
09-16 2万+
ECCV2018 收录论文整理，共774篇。 百度云链接：https://pan.baidu.com/s/1Mg0Kw9bepUK6_vqqVSOjNQ ，密码：mh97。 以下是下载后的文件： 以下是文件名对应的论文名称：   序号 文件名 论文题目 1 Aaron_Gokaslan_Improving_Shape_Deformation...
论文介绍 -- ECO: Efficient Convolutional Network for Online Video Understanding
信道者
12-31 2149
高效的视频理解网络
DAILY PAPER 003 — DialogueGCN: A Graph Convolutional Neural Network for ERC
01-06
DialogueGCN: A Graph Convolutional Neural Network for Emotion Recognition in Conversation AUTHOR(S): Deepanway Ghosal:目前是新加坡科技设计大学ISTD(Information Systems Technology and Design)博士生,师从...
论文阅读——CcNet:A cross-connected convolutional network for segmenting retinal vessels using multi-scale
01-06
论文阅读：CcNet:A cross-connected convolutional network for segmenting retinal vessels using multi-scale CcNet 时间：2019/5 视网膜血管分割有助于帮助诊断糖尿病视网膜病变。目前RVS的自动分割面临着模型...
Adversarial PoseNet: A Structure-aware Convolutional Network for Human Pose Estimation(2017)
01-06
1、提出a novel structure-aware convolutional network，能够在深度网络的训练过程中隐式地考虑先验知识（人体关节的几何约束关系）； 2、Generator预测的pose和occlusion heatmaps输入到discriminator预测与真实...
An Extremely Efficient Convolutional Neural Network for Mobile Devices
12-03
Abstract We introduce an extremely computation-efficient CNN architecture named ShuffleNet, which is designed specially for mobile devices with very limited computing power (e.g., 10-150 MFLOPs). The new architecture utilizes two new operations, pointwise group convolution and channel shuf- fle, to greatly reduce computation cost while maintaining accuracy. Experiments on ImageNet classification and MS COCO object detection demonstrate the superior perfor- mance of ShuffleNet over other structures, e.g. lower top-1 error (absolute 7.8%) than recent MobileNet [12] on Ima- geNet classification task, under the computation budget of 40 MFLOPs. On an ARM-based mobile device, ShuffleNet achieves ∼13× actual speedup over AlexNet while main- taining comparable accuracy.
Learning a Deep Convolutional Network for Image Super-Resolution论文分析与pytorch代码
01-06
Learning a Deep Convolutional Network for Image Super-Resolution论文地址简介模型图模型框架算法流程Patch extraction and representationnon-linear mapping 非线性映射Reconstruction训练测试实验结果Pytorch...
点云 目标识别voxnet:A 3D Convolutional Neural Network for Real-Time Object Recognition
02-10
点云 深度学习 目标识别 论文 点云 深度学习 目标识别 论文
论文学习学习1
backer
09-10 1564
BSN:BoundarySensitiveNetworkforTemporalAction ProposalGeneration 用于时序动作提名生成的边界敏感网络 这张图是这篇论文的流程，大体总结如下： 首先将视频分为S小段，每段随机选取一帧，提取RGB和光流信息，分别编码后形成二维的F特征，这是BSN网络的输入。 接下来进入BSN网络正题，首先是时序评估模块。采用三层的时序卷积网络对输...
《ECO：Efficient Convolutional Network for Online Video Understanding》文献阅读
qq_18644873的博客
01-02 1759
https://zhuanlan.zhihu.com/p/36795554 文章目录1、Introduction2、主要工作3、结构4、在线视频理解5、实验6、总结 caffe源码 pytorch源码 1、Introduction 主要提出了两点： 使用单帧的图像，在很多情况下已经可以获得一个不错的初始分类结果了，而相邻帧间的很多信息都是冗余的。因此，ECO 中在一个时序邻域内仅使用单帧图像...
ECO在线视频理解PyTorch代码实现(Efficient Convolutional Network for Online Video Understanding)
Can的博客
08-09 5880
近期，arXiv上出现了一篇用于在线视频理解的高效卷积网络ECO。论文题目：《ECO: Efficient Convolutional Network for Online Video Understanding》。论文作者来自弗莱堡大学。 我自己实现了一个ECO的PyTorch版本，项目地址： https://github.com/zhang-can/ECO-pytorch 该repo进度...
DEEP JOINT TRANSMISSION-RECOGNITION FOR POWER-CONSTRAINED IOT DEVICES
weixin_42707080的博客
04-18 345
该文提出了将深度信源信道联合编码（JSCC）与网络修剪相结合，并将其应用于无线网络上的图像分类。主要创新点是在JSCC上引入了网络修剪。 主要解决的问题： 1、minimizing the number of computations that have to be done locally； 2、designing a robust communication scheme within...
人工智能在自动驾驶中的目标检测研究
最新发布
zhumin726的专栏
07-10 375
视觉识别技术在自动驾驶中的目标检测扮演着不可或缺的角色。通过不断优化目标检测算法，结合最新的深度学习技术，自动驾驶车辆将能够更加准确、安全地感知周围环境，实现真正的无人驾驶。视觉识别技术使得车辆能够像人类一样“看”到周围环境，通过图像处理和深度学习算法，实现对周围目标的检测和识别。我们将详细讨论目标检测的基本原理、常用算法、最新进展、已有的开源项目及其在自动驾驶中的应用和挑战。通过这些详细的讨论和分析，我们可以更好地理解人工智能在自动驾驶中如何通过视觉识别进行目标检测，并进一步推动这一技术的研究和应用。
STransFuse: Fusing Swin Transformer and Convolutional Neural Network for Remote Sensing Image Semantic Segmentation
06-09
STransFuse是将Swin Transformer和卷积神经网络（CNN）相融合的一种方法，用于遥感图像语义分割任务。具体而言，STransFuse首先使用Swin Transformer提取图像的全局特征，然后将这些特征与CNN中提取的局部特征进行...

“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
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