RC3D时序动作检测代码调试工作

最新推荐文章于 2021-11-03 10:22:34 发布
最新推荐文章于 2021-11-03 10:22:34 发布
阅读量1.2k 收藏 7
点赞数 2
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_45783174/article/details/106769920
版权
本文档详细介绍了R-C3D时序动作检测模型的环境配置、数据处理、模型训练及测试过程。包括在ubuntu18.04+CUDA9.0环境下使用anaconda搭建环境，对thumos14数据集进行预处理，编译相关库，设置训练参数并运行训练脚本，最后进行模型测试和结果分析。
摘要由CSDN通过智能技术生成

pytorch版本

环境安装

git地址：https://github.com/sunnyxiaohu/R-C3D.pytorch
ubuntu18.04+CUDA9.0： 环境安装教程
anaconda环境如下：
在这里插入图片描述

数据处理与工程编译

1.需要生成训练文件：
下载 thumos14/activity1.3数据集，在preprocess/thumos14文件夹下：

第一步将训练集处理成帧图像：

generate_frames.py做如下修改：
在这里插入图片描述util.py做如下修改：
在这里插入图片描述
第二步生成训练文件:
修改FRAME_DIR的路径后运行
generate_roidb_training.py
generate_roidb_validation.py
生成：
train_data_25fps_flipped.pkl
val_data_25fps.

最低0.47元/天 解锁文章
切尔西的笑脸橘猫
关注
  • 2
    点赞
  • 踩
  • 7
    收藏
    觉得还不错? 一键收藏
  • 5
    评论
Android面试，给正在找工作的安卓攻城师们 ... ...
王丽君同学的专栏
06-30 8048
从java基础技能到安卓进阶技能，有你想象不到的全面。 ☆  JAVA技能 « 有良好的JAVA基础，熟练掌握面向对象思想： 理解面向对象： 面向对象是一种思想，是基于面向过程而言的，就是说面向对象是将功能等通过对象来实现，将功能封装进对象之中，让对象去实现具体的细节；这种思想是将数据作为第一位，而方法或者说是算法作为其次，这是对数据一种优化，操作起来更加的方便，简化了过程。面向对象有三大
近期论文动态
qq_39862223的博客
11-02 406
1.弱监督的两大挑战 1.1 动作完整性 由于缺少帧级标签，若只根据注意力值进行动作定位，没有考虑到相邻帧之间可能存在相关性，可能导致出现信息丢失的问题。例如，对于动作“跳”，包含准备、跳、落地、恢复四个过程，其中准备和恢复过程在动作定位时对于跳的注意力值可能偏低，从而在定位时可能过滤到这两个部分，导致在弱监督动作定位过程中常会出现动作漏检的问题。 1.2 上下文信息混淆 由于缺少帧级标签，弱监督动作定位常会出现动作和背景混淆的问题，将背景误识别为动作，进而影响动作定位的精确性。 2. 基于注意力机制的弱
matlab麦克斯韦速率代码-R-C3D.pytorch:R-C3D。火炬
05-20
matlab麦克斯韦评分代码R-C3D的Pytorch更快实现 消息： 我们重新组织了代码，使其变得更快，更方便。 带标签的是：201810 介绍 此项目是R-C3D的一种更快的pytorch实现，旨在加速R-C3D时间动作检测模型的训练。 在实施过程中，我们引用了以下实施方案： ，是基于Pytorch + TensorFlow + Numpy开发的 ，基于caffe开发，官方实施 与上述实现相比，我们的实现具有一些独特的新功能： 它是纯Pytorch代码。 我们将所有的numpy实现都转换为pytorch！ 它支持并行训练。 我们使用多个GPU包装器（此处为nn.DataParallel），可以灵活地使用一个或多个批处理大小等于或大于1的GPU。 它支持并行测试。 我们使用多个GPU包装器（此处为nn.DataParallel），可以灵活地使用一个或多个批处理大小等于或大于1的GPU。 这是有效的内存。 我们可以在单片1080Ti（11 GB）上训练3dresnet-18并使用batchsize = 3（3个视频缓冲区，缓冲区长度= 768）。 使用8个GPU进行训练时，每个GPU的
时序动作检测《BSN++: Complementary Boundary Regressor with Scale-Balanced Relation Modeling for ……》
胖胖大海的博客
09-03 1649
温馨提示：本文仅供自己参考（勿捧杀），如有理解错误，有时间再改！ BSN++论文涉及的相关算法： 1、BSN：时序动作检测《BSN: Boundary Sensitive Network for Temporal Action Proposal Generation》 2、BMN：时序动作检测《BMN: Boundary-Matching Network for Temporal Action Proposal Generation》 3、Non-Local：《Non-local Neural Ne
R-C3D: Region Convolutional 3D Network for Temporal Activity Detection
LYKymy的博客
09-20 953
Abstract 我们解决了连续的活动检测问题，未剪辑的视频流。这是一项困难的任务需要提取有意义的时空特征捕捉活动，准确定位开始和结束每次活动的时间。我们引入了一种新的模型，区域卷积3d网络（r-c3d），它使用三维全卷积网络对视频流进行编码，然后生成候选的时间区域（包含活动），最后将选定区域分类为特定活动。由于方案和分类管道之间的卷积特征共享，节省了计算量。整个模型采用端到端的训练，同时...
论文阅读：R-C3D: Region Convolutional 3D Network for Temporal Activity Detection
qq_36627158的博客
02-24 909
写在前面 由于这是一篇比较经典的论文，网上相关讲解的文章比较多，我这里就不重复了，主要记录一些自己遇到的问题。 论文详解 参考链接： https://blog.csdn.net/gentelyang/article/details/80483841 https://zhuanlan.zhihu.com/p/34439558 以下引用快内容均参考上面两个链接，有对其中的内容进行调整： R-C3D(Region 3-Dimensional Convolution...
R-C3D pytorch版本的代码调试
weixin_43659035的博客
08-26 2422
代码链接：https://github.com/sunnyxiaohu/R-C3D.pytorch 在调试过程中踩了许多大坑，在此将能想到的进行一下总结。 数据集 选用THUMOS2014数据集，他包括行为识别和时序行为检测两个任务。训练集市UCF101包括101类动作，总计13320段已经分割好的视频。他的验证集和测试集分别含有1010个和1574个未分割过的视频，但是其中只含有20类动作...
近期论文阅读
qq_39862223的博客
11-03 547
[AAAI’21]ACSNet:Action-Context Separation Network for Weakly Supervised Temporal Action Localization 从图中可以看出，左侧绿色框表示是动作类、红色框表示是动作上下文、蓝色框表示为背景类。通过右图的特征空间可见，蓝色的背景类特征与GT相差较远，但是红色的上下文类与GT高度相似，特别是在边界区域，这就导致上下文的误检。 问题的引入：通过视频级别分类定位的前景不仅涉及实际操作实例，还涉及其周围的上下文。以前的方法利
R-C3D—基于区域卷积3D网络的时序行为检测
机器学习，深度学习
07-07 2590
R-C3D: Region Convolutional 3D Network for Temporal Activity Detection 论文地址:https://arxiv.org/pdf/1703.07814.pdf 行为检测是行为识别的一个分支，个人认为其目的为了提高行为识别的准度。行为检测处理的对象大部分是视频数据。它完成检测任务大致...
C3D学习资料
11-27
C3D学习资料 建模 道路 交叉口 路线 横断面 纵断面
R-C3D代码解析
weixin_43659035的博客
08-11 2107
自己对R-C3D代码的一些理解，本人小白，可能有错 generate_anchors.py anchor_target_layer.py proposal_layer.py proposal_target_layer_cascade.py rpn.py
一篇视频时序检测的老算法：R-C3D（一图读算法）
dl643053的博客
07-06 688
最近翻了一篇老论文R-C3D: Region Convolutional 3D Network for Temporal Activity Detection，该文使用3D卷积+temporal proposal进行时序检测，算法思路简单明了，直接上图： 该算法思路可理解为，将双阶段的目标空间检测向时序维度检测的扩展，因为输入添加了时间维度，故使用了3D卷积，经过backbone前向，将原本L帧的视频信息采样至L/8帧，对L/8的每一帧预测K个temporal anchor proposals，每个p
R-C3D论文详解
Michael’s Blog
04-01 1244
论文链接：R-C3D: Region Convolutional 3D Network for Temporal Activity Detection 代码地址（论文提供地址）：http://ai.bu.edu/r-c3d/ 该论文借鉴图像物体检测中的Faster-RCNN的思想，文章采用3D卷积来获取视频的时序信息，然后通过类似Faster-RCNN的rpn层和roi层输出时间维度的boundingbox，也就是视频中待检测动作的时间段。 一、网络结构 R-C3D的网络结构如下图所示： 从上图可以看出，
R-C3D 视频活动检测
我爱计算机视觉
07-19 421
点击我爱计算机视觉标星，更快获取CVML新技术本文为52CV群友RoseVam投稿，介绍了视频活动检测经典模型 R-C3D: Region Convolutional 3D Networ...
[行为检测]R-C3D-Resgion Convolutional 3D Network for Temporal Activity Detection
热门推荐
faiculty
01-26 1万+
这篇文章是ICCV 2017的一篇文章，作者主要是以C3D网络为基础。借鉴了Faster RCNN的思路，对于任意的输入视频L，先进行proposal，然后3D-pooling,最后后进行分类和回归操作。文章主要贡献点有3个： 可以针对任意长度视频、任意长度行为进行端到端的检测 速度很快(是目前网络的5倍)，通过共享Progposal generation 和Classification网络的...
R-C3D快速视频活动物体检测算法
图像算法Imalg的博客
07-23 1001
本文介绍了经典模型R-C3D：用于时间活动检测的区域卷积3D网络。此型号来自ICCV 2017.Google Academic Display被引用了127次。近两年来，这是该领域的一项有影响力的工作。代码一直是开源的。 该算法的基本思想如下： 受目标检测方法F-RN CNR的启发，本文提出了一种区域卷积三维网络（R-C3D）。如上所示，该方法首先在3D完全卷积网络中对视频帧进行编码，然后...
R-C3D Region Convolutional 3D Network for Temporal Activity Detection
weixin_43659035的博客
05-09 838
区域卷积三维网络(R-C3D)，它使用一个三维全卷积网络对视频流进行编码，然后生成包含活动的候选时间区域，最后将选定的区域划分为特定的活动
R-C3D:用于时间活动检测的区域3D网络
CV技术指南（微信公众号）
12-28 328
论文：R-C3D: Region Convolutional 3D Network for Temporal Activity Detection（2017） 主要贡献 1.提出一个包括活动候选区和任意长度活动的分类的端到端模型。如下图所示 2.提出在候选区生成和分类部分共享全卷积C3D特征，实现了比当前模型快5倍的速度。 论文主要从Faster R-CNN受启发而来，论文大部分idea都是Faster R-CNN中提出的（看这篇论文的时候，我真是深感生不逢时啊），作者将2...
RC522调试实践：问题解决与改进策略
首先，任永强调了调试前的准备工作，包括阅读官方文档以理解RC522的UART (Universal Asynchronous Receiver/Transmitter) 工作模式，确保正确的初始化步骤，如设置为UART工作模式并检查初始化结果。他还提到了如何...
评论 5
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