AQA&HPE 论文整理

已于 2023-01-09 21:14:16 修改
阅读量914 收藏 11
点赞数
分类专栏： 论文阅读 文章标签： 计算机视觉 人工智能 深度学习
于 2023-01-09 18:04:40 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/qq_44502497/article/details/128611876
版权
文章概述了动作质量评估(AQA)的研究进展，包括基于I3D模型的基础骨架，直接回归质量分数的方法，利用时间空间关系图评估关节运动，以及通过对比学习和分布自编码器来解决数据不确定性的技术。同时，也提及了人体姿态估计(HPE)的相关研究。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

论文整理

前言

现将动作质量评估Action Quality Assessment（AQA）方向和人体姿态估计Human Pose Estimation（HPE）方向上看过的一些论文整理在此。

动作质量评估AQA

AQA通过分析视频中动作的表现来评估动作的执行质量。与传统的动作识别不同，AQA更具有挑战性：动作识别可以从一张或几张图像中识别一个动作，AQA则需要遍历整个动作序列来评估动作的质量。现有的大多数AQA方法都是通过视频的深度特征来回归不同的动作质量得分，然而，在相似背景下评估差异很小的不同动作之间的质量是很困难的。

1. 基础backbone—I3D模型

《Quo Vadis, Action Recognition? A New Model and the Kinetics Dataset》— CVPR 2017

提出了 inflated 3D netword（I3D）模型，将一个2D模型扩张到一个3D模型，好处是不用再设计一个专门的视频理解网络，可以使用2D中已经设计好的网络（如 VGG、ResNet 等），将它们直接扩张到3D，甚至还可以用一些巧妙的方式将它们的预训练模型也利用起来，不仅设计上比较简单，还能省掉很多预训练的麻烦。I3D可以用于提取视频里的动作特征。

2. 直接回归质量分数

Assessing the Quality of Actions

《Assessing the Quality of Actions》— ECCV 2014

3. 时间空间关系图评估关节运动

Action Assessment by Joint Relation Graphs

《Action Assessment by Joint Relation Graphs》— ICCV 2019

4. 对比回归学习视频间的相对分数

Group-aware Contrastive Regression for Action Quality Assessment

《Group-aware Contrastive Regression for Action Quality Assessment》— ICCV 2021

5. 分布自编码器—将特征编码成分布来解决数据不确定性

Auto-Encoding Score Distribution Regression for Action Quality Assessment

《Auto-Encoding Score Distribution Regression for Action Quality Assessment》— CVPR 2021

人体姿态估计HPE

视频动作质量评估：论文分享：Fine-Grained Spatio-Temporal Parsing Network for Action Quality Assessment
gaohaohaoxuexi1的博客
01-22 1249
相比于传统的人体动作识别（动作识别侧重于粗粒度动作特征），AQA更关注细微的动作差异，因此仅使用动作识别算法是远远不够的，AQA需要了解细粒度子动作序列及其时间依赖关系，以便于估计最终分数。文中作者探讨了视频动作上下文信息、面向运动的特征表示和序列内子动作解析对AQA任务的影响。
Group-aware Contrastive Regression for Action Quality Assessment
qq_41832686的博客
09-15 1119
arXiv:2108.07797v1 [cs.CV] 17 Aug 2021 思路 根据样本和参考视频的相关性来提供重要的线索（因为同一个数据集的视频变化很小），以至于更准确的进行动作质量评估。使用一个Contrastive Regression (CoRe) 来成对的对比。 尽管对比回归框架可以预测相对分数∆s，∆s通常取值范围很广(例如，对于潜水，∆s∈[−30,30])。因此，直接预测∆s仍然是一个很大的困难，因此提出一个group-aware regression tree将传统的得分回归转换
【3D-HPE】3D Human Pose Estimation with Spatial and Temporal Transformers （ICCV2021论文介绍）
sazass的博客
11-28 1302
3D Human Pose Estimation with Spatial and Temporal Transformers 基于时空Transformers的3D人体姿态估计 论文地址：https://openaccess.thecvf.com/content/ICCV2021/papers/Zheng_3D_Human_Pose_Estimation_With_Spatial_and_Temporal_Transformers_ICCV_2021_paper.pdf 代码地址： https://git
【论文阅读翻译】Action Assessment by Joint Relation Graph
weixin_44783277的博客
08-25 554
【论文阅读翻译】Action Assessment by Joint Relation GraphKeyWordsAbstractIntroductionRelated WorkApproachExperiment KeyWords 细粒度、共性模型、差异模型、可训练、可解释性、邻居关节：时间关系图、空间关系图 Abstract 我们提出了一种新模型，通过基于图的关节关系建模从视频中直观地评估动作的性能。之前的工作主要聚焦于包括表演者身体和背景的整个场景，然而他们忽视了关节交互的细节。这对于细粒度和精确的动
【Two Stream network (Tsn)】(二) 阅读笔记
jjjhut的博客
09-06 728
所谓two-stream是指空间stream和时间stream，视频可以分成空间与时间两个部分，空间部分指独立帧的表面信息，关于物体、场景等；而时间部分信息指帧间的光流，携带着帧之间的运动信息。相应的，所提出的网络结构由两个深度网络组成，分别处理时间与空间的维度。
论文分享：Auto-Encoding Score Distribution Regression for Action Quality Assessment
gaohaohaoxuexi1的博客
03-14 2129
动作质量评估（AQA）是指对视频中的行为进行自动评分，分析一个动作的执行情况。相比于传统的视频动作识别（VAR）更具有挑战性。对于AQA而言，找出动作评分与视频之间的可靠联系至关重要，许多研究者尝试考虑将AQA视为回归问题，学习视频与动作分数之间的直接映射关系，他们采用3D卷积神经或LSTM提取视频特征，应用回归方法得到预测分数。大多数现有AQA方法忽略了数据集固有的任意不确定性，AQA数据集由人为主观构建，存在观测噪声，标签与数据间的映射关系不精确，应被修正为：。
AQA-开源
04-17
"AQA（ Automated Quality Assurance）是一个开源项目，专为管理和监控项目及其测试流程设计的Web应用程序。这个工具的主要目标是提供一个便捷的平台，使测试人员能够有效地跟踪和管理测试结果，确保项目的质量控制...
aqa-2-1
03-06
标题 "aqa-2-1" 暗示着这是一个关于编程或软件开发的项目，可能是一个代码库或者是一个特定的编程挑战。由于标签是 "Java"，我们可以推断这与Java编程语言有关。不过，由于描述为空，我们无法获取更具体的信息。"aqa...
AQA-AODV-开源
05-02
AQA-AODV是基于AODV的用于MANET的新QoS路由协议，该协议根据应用QoS要求创建路由。 我们介绍了链路和路径可用带宽估计机制以及一种自适应方案，该方案可以向源节点提供有关当前网络状态的反馈，以允许应用程序适当地...
AQA1.1
02-09
【标题】"AQA1.1"：这是一个与Java编程相关的知识模块，可能是某个课程、项目或测试套件的一部分。AQA通常代表“评估和质量保证”，因此我们可以推测AQA1.1可能是一个初级阶段的Java知识评估或质量保证标准。 ...
行为质量评估论文分享
最新发布
gaohaohaoxuexi1的博客
03-25 1074
行为质量评估通过处理表演视频并分配相应分数自动评价动作执行质量。研究这个问题的动机源于其在医疗保健、运动视频分析、特定任务技术辨别评估受训人员技能等应用中的潜在用途。图片来源于论文：Improving Action Quality Assessment Using Weighted Aggregation图片展示了一般的回归模型和本文的改进工作。将输入视频分为多个片段，进行特征提取。这些特征被聚合到一个视频级别的特征向量。基于这个特征向量，线性回归器预测行为质量分数。
代码介绍：Action Quality Assessment Across Multiple Actions
gaohaohaoxuexi1的博客
01-23 1032
本文作者主要验证两个问题：学会衡量一个行为的质量是否有助于衡量其他行为的质量？来自多个操作的合并样本是否有助于改进当前方法的性能？作者提出的模型：C3D-LSTM图片来源于论文Action Quality Assessment Across Multiple Actions。
视频动作质量评估论文分享
gaohaohaoxuexi1的博客
03-19 2428
动作质量评估旨在评估特定动作的执行情况，由于其在各种实际应用中的潜在价值，已成为计算机视觉界一个新兴且有吸引力的研究课题。相比于关注不同类别行为序列正确分类的传统的动作识别问题，AQA需要处理类内区分度低的相同类别视频，是一个更有挑战性的任务。在过去的几年里，提出了大量有关AQA的方法。然而为了直接预测动作得分，他们大多数将AQA简单视为回归问题。不幸的是，他们的表现确实不佳。这种限制的根源在于忽视行动得分标签的潜在模糊性，而这正是AQA关键问题之一。这种歧义是由动作标签产生过程造成的。
TSA-Net: Tube Self-Attention Network for Action QualityAssessment (论文理解)
qq_40238919的博客
06-29 579
TSA-Net: Tube Self-Attention Network for Action Quality Assessment (notes and understanding)
视频动作质量评估：论文分享
gaohaohaoxuexi1的博客
01-24 996
动作质量评估目的在于判断动作执行情况，在各种现实场景中具有良好的应用潜力，因此吸引了众多研究者的目光。现有的动作质量评估方法根据问题表述的不同可分为三类：基于分类的方法、基于两两比较的方法和基于回归的方法。但是当前基于全监督的动作质量评估算法严重依赖于人工注释，而真实场景中，面对数量巨大的动作样本，很难获得动作性能的评估注释。在这种情况下，作者提出开发一种能够在只有少量样本注释的情况下学习人体行为表现的模型。
视频动作质量评估：论文分享：Action Quality Assessment with TemporalParsing Transformer
gaohaohaoxuexi1的博客
01-23 2029
介绍：先前有关动作质量评估的方法主要是基于排名的两两比较或者基于回归方法估计质量分数。这些方法都是通过骨干网络输出全局池化操作来表示视频的整体表示。作者在文中提出将整体特征分解为细粒度的动作质量评估时态部分级表示以捕获细粒度的类内变化便于估计更准确的质量分数。考虑到现有的动作质量评估数据集不提供临时部分级标签或分区。因此，作者开发基于回归的操作质量评估策略便于在没有任何显式部分级监督的情况下利用细粒度原子操作模式。
Contrastive Regression for Domain Adaptation on Gaze Estimation CVPR 2022 对比学习+目标域有样本无标注（伪标签）
weixin_43841776的博客
02-20 636
将分类对比学习推广到了回归任务。
论文笔记：SUPERVISED CONTRASTIVE REGRESSION
qq_40206371的博客
08-05 1989
深度回归模型通常以端到端的方式进行学习，不明确尝试学习具有回归意识的表示。它们的表示往往是分散的，未能捕捉回归任务的连续性质。在本文中，我们提出了“监督对比回归”（Supervised Contrastive Regression，SupCR）的框架该框架通过将样本与目标距离进行对比来学习具有回归意识的表示。SupCR与现有的回归模型是正交的，并且可以与这些模型结合使用以提高性能。
AD9923A和ICX274AQA的完整配置与应用方案
标题中的"AD9923A_ICX274AQA"可能指的是两个不同的产品：AD9923A是一款由Analog Devices公司生产的高精度、14位、双通道、直接数字合成器(DDS)；而ICX274AQA是一款由SONY公司生产的具有高分辨率的CMOS图像传感器。...
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