C3D源码解读（基于3D卷积的动作识别）

已于 2024-04-11 09:44:17 修改
阅读量2.9k 收藏 21
点赞数 3
分类专栏： 对抗生成网络与动作识别、强化学习 文章标签： 人工智能 深度学习 计算机视觉 神经网络
于 2022-10-16 17:33:42 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_52053775/article/details/127347827
版权
本文介绍了C3D模型在3D卷积动作识别的应用，详细阐述了从数据预处理、训练配置、视频数据读取到网络结构的全过程。在数据预处理中，针对UCF101数据集，每4帧采样1帧，保证至少16帧输入，并调整图像尺寸。网络结构与论文一致，包括5个卷积层和池化层，2个全连接层及softmax损失层。提供代码链接和执行参数说明。
摘要由CSDN通过智能技术生成

数据与代码链接见文末

UCF数据集下载地址:https://www.crcv.ucf.edu/data/UCF101.php

1.推理效果与项目配置

        执行inference.py，需要指定3个参数，第一个是标签文件地址，存储了各个标签的含义，第二个是权重文件地址，第三个是要进行推理的视频文件地址

2.训练配置参数 

        mypath.py 需要修改的参数，root_dir为UCF-101数据集存放的地址，output_dir为保存中间数据的地址，在数据预处理时，需要对视频截取为小片段，并进行数据增强，在时间和空间上进行抖动。

了解本专栏 订阅专栏 解锁全文 超级会员免费看
樱花的浪漫
关注
  • 3
    点赞
  • 踩
  • 21
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
专栏目录
订阅专栏
yolov8 知识分享，测试笔记
jacke121的专栏
01-14 1266
yolov8 测试笔记
动作识别模型复现_c3d_动作识别_视频动作识别
09-11
在视频动作识别领域比较经典的两个模型复现，C3D、双流。
C3D源码解析
better_boy的博客
09-25 5435
C3D源码解析 论文链接：http://vlg.cs.dartmouth.edu/c3d/c3d_video.pdf 代码链接：https://github.com/jfzhang95/pytorch-video-recognition 1.源码准备 git clone --recursive https://github.com/jfzhang95/pytorch-video-recognition.git 下载完成后得到C3D源码 2.源码结构 文件名称 功能 train.py 训练脚
动作识别（二）复现C3D网络
QIANFANGshiwo的博客
08-05 2790
动作识别（二）——复现C3D网络一、本代码运行环境二、代码目录解释三、可视化日志文件步骤四、注意事项五、C3D训练网络部分代码六、训练可视化结果七、第一步进行测试八、第二步进行训练九、致谢和说明十、数据和源码地址 本代码是本人在前人的基础上，复现了《Learning Spatiotemporal Features with 3D Convolutional Networks》此篇文献。本代码较原文最大的区别在于， 数据集本人只使用了UC101的前两类，其余基本是一致的。现在分享在这里，主要是供大家学习和交
基于C3D卷积神经网路的动作识别
LifeBackwards的专栏
05-18 2031
有时候，在处理大数据集时，一次将整个数据加载到内存中变得非常难。因此，唯一的方法是将数据分批加载到内存中进行处理，这需要编写额外的代码来执行此操作。对此，PyTorch 已经提供了 Dataloader 功能。下面显示了 PyTorch 库中DataLoader函数的语法及其参数信息。参见pytorch官方文档，dataset (dataset)—从其中加载数据的数据集。Batch_size (int，可选)-每批加载多少个样本(默认值:1)。
行为识别（三）：创建C3D网络模型用于行为识别
qq_22003061的博客
05-12 2212
行为识别（三）：创建C3D网络模型用于行为识别 文章目录行为识别（三）：创建C3D网络模型用于行为识别1 参考资源1.1Pytorch-video-recognition1.2 Tensorflow小练习（三）：C3D完成视频动作识别1.3 行为识别/视频分类|知识汇总1.4 Paper with code2 本文采用的C3D模型代码3 训练所用代码 1 参考资源 1.1Pytorch-video-recognition 1、链接： 2、推荐理由：包含对UCF101、HMDB51的处理，包含经典的C3D、R
C3D
03-05
C3D
基于Pytorch的C3D视频行为识别代码实战
这里什么也没有
12-07 1834
本次C3D模型用的是pytorch框架，编译器为pycharm，数据集为UCF101，包含了101个种类的动作视频。目的是训练出权重文件，可以识别视频的动作。
YOLOv5源码逐行超详细注释与解读（7）——网络结构（2）common.py
路人贾的博客
03-30 8151
全网最详细YOLOv5源码详解之网络结构common.py。全文5万多字，带你学透网络结构！小白必备！
C3D-lstm_lstmpytorch_c3d论文复现_C3D-lstm_源码.zip
10-18
C3D-lstm_lstmpytorch_c3d论文复现_C3D-lstm_源码.zip
C3D-Tensorflow-slim:用于C3D的简单Tensorflow代码
05-02
C3D-Tensorflow-slim 用于C3D的简单Tensorflow代码 要求 Tensorflow（> = 1.4）Python（> = 2.7） 数据集 UCF101。 您需要将其放置在工作空间的根目录中。 用法 sudo ./convert_video_to_images.sh UCF101/ 5 将视频转换为图像（每秒5FPS）。 ./convert_images_to_list.sh UCF101/ 4 以获得训练和测试集。（3/4训练； 1/4测试） python train.py 为了训练。 python test.py 供测试用。 注意力 Radom选择16帧作为剪辑来代表用于培训和测试的视频。 结果 测试36次后，测试集为0.72。 参考 文件复制了convert_video_to_images.sh，convert_images_to_list.
c3d格式标准说明（c3d format discription）
01-08
关于c3d（动作捕捉的一种文件格式）格式标准的说明（英文版）。。目前网络上关于这方面的介绍比较少，本人也是不容易才找到的 希望对大家有用...............................................
YOLOv5改进系列（28）——添加DSConv注意力卷积（ICCV 2023|用于管状结构分割的动态蛇形卷积）
最新发布
路人贾的博客
01-24 1702
YOLOv5改进系列（28）——添加DSConv注意力卷积（ICCV 2023|用于管状结构分割的动态蛇形卷积）
目标检测FCOS网论文阅读、损失函数解读
weixin_43570470的博客
03-23 4606
文章：FCOS: Fully Convolutional One-Stage Object Detection 项目源码：https://github.com/tianzhi0549/FCOS 1 基于全卷积的单阶段检测 表示backbone中第i层feature map，s代表该层之前的stride。对于输入图片ground truth boxes的定义为 代表边框左上角，右下角的点。代表该边框所属于的类别。C代表类别总数。 对于feature map Fi上的每个位置(x,y)，将其映射回输入图片上为
C3D代码总结（Pytorch）
热门推荐
weixin_47349091的博客
01-31 1万+
C3D代码总结（Pytorch） github：https://github.com/Niki173/C3D.git 介绍 数据介绍 文件介绍 具体操作流程 运行结果 介绍： 本次C3D模型用的是pytorch框架，我们在UCF101和HMDB51数据集上训练这些模型，本次实验以UCF101为实验对象。 数据介绍 UCF101是从YouTube收集的具有101个操作类别的逼真动作视频的动作识别数据集。此数据集是UCF50数据集的扩展，具有50个操作类别。凭借来自101个动作类别的13320个视频，UCF
动作识别基于飞桨复现C3D
m0_63642362的博客
12-26 469
《Learning Spatiotemporal Features with 3D Convolutional Networks》论文复现。复现精度：top1:83.27 top5:95.96
基于C3D网络的视频分析与动作识别
@bangbang的博客
05-28 3652
3D卷积与2D卷积的区别 首先看一下二维卷积，一个33的卷积核，在单通道图像上进行卷积，得到输出。 然后我们再看一下3维卷积，一个33*3的卷积核在立方体上进行卷积，得到输出： 多通道卷积不同的通道上的卷积核的参数是不同的，而3D卷积则由于卷积核本身是3D的，所以这个由于“深度”造成的看似不同通道上用的就是同一个卷积，权重共享。 总之，多了一个深度通道，这个深度可能是视频上的连续帧，也可能是立体图像中的不同切片。 3D卷积的应用 上面也说了，3D卷积就是多了一个深度通道，而这个深度通道可能是视频上的连续
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

樱花的浪漫

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