NEUXia的博客

Fast Learning of Temporal Action Proposal via Dense Boundary GeneratorAccurate Temporal Action Proposal Generation with Relation-Aware Pyramid NetworkBoundary-Matching Network for Temporal Action Proposal

Learning to Refactor Actionand Co-occurrence Features for Temporal Action LocalizationBottom-Up Temporal Action Localization with Mutual RegularizationClass Semantics-based Attention for Action Detection

今天开始要正式做ActionLocalization方向的研究了，之前也是磕磕绊绊地看了几篇论文也看不进去，还是需要写博客督促自己啊。Two-Stream Consensus Network forWeakly-Supervised Temporal ActionLocalizationActionGraphs: Weakly-supervised Action Localization with Graph Convolution Networks

subprocess.CalledProcessError: Command [ ] returned non-zero exit status 1.

ImportError: cannot import name 'numpy_type_map'ImportError: No module named 'lib.utils.cython_bbox'from . import pypocketfft as pfftImportError: /usr/lib/x86_64-linux-gnu/libstdc++.so.6: version `GLIBCXX_3.4.22' not found

ERROR: Could not find a version that satisfies the requirement future (from versions: none)ERROR: No matching distribution found for futureWARNING: Retrying (Retry(total=4, connect=None, read=None, redirect=None, status=None)) after connection broken by

openpose plus |Single-Network Whole-Body Pose Estimation ICCV2019与openpose相比，速度准确度都有提升。在结构上，并行变串行。网络流程：输入RGB图片---- VGG ---- 得到特征图F ---- CNN ---- 预测肢体向量热图L---- 与F融合进入下一阶段 ---- CNN ---- 预测关...

1）提出AGC-LSTM网络，将图卷积与LSTM融合。AGC-LSTM能够有效地捕获具有鉴别性的时空特征。2）注意机制被用来增强关键节点的特性，这有助于提高时空表达。3）提出了一种时间层次结构，提高了学习高层次时空语义特征的能力，大大降低了计算量。算法大致流程：首先将关节点坐标映射到线性层构成空间特征(FC)，特征增强(FA)将空间特征和连续两帧之间的特征差异联系起来。LATM...

1. R-CNN1）Extract region proposals 提取2000个候选区域采用的算法是selective search。选择性搜索首先将图像切成若干块，计算相邻图像块的相似度，每次循环合并最相似的图像块，直到最后一次循环得到完整图像。每次循环都保存图像块，最终proposal集合包含了若干大小的图像块。区域合并的原则是图像块颜色相似度、纹理相似度、优先合并小的区域以及...

Github :Demo.py 多角度适用 ！达不到实时！Pipeline：VGG16/ResNet 产生feature maps 通过 FEM 对原始 feature maps 特征增强并保持原始size。Feature Enhance Module特征增强模块能够对原始特征进行增强，使其具有更强的鉴别性和鲁棒性，简称FEM。原始神经元oc(i，j，l)：l 层特...

假设没有归一化操作：神经网络的每层输入数据分布是不断变化的，参数需要重新学习来适应这种分布，降低学习速度。对于sigmoid或tanh激活函数，输入数据过大或过小容易落入饱和区导致梯度消失。归一化操作：μ是平移参数，σ是缩放参数。得到得到的数据符合均值为 0、方差为 1 的标准分布。b是再平移参数，g是再缩放参数。最终得到的数据符合均值为b、方差为g^2的分布。第一次的...

准确率：准确率=预测正确的样本数 / 所有样本数当不同类别的样本比例非常不均衡时，占比大的类别往往成为影响准确率最主要的因素。解决类别不均衡问题：1。 小样本扩增或大样本采样2. 尝试其他评价指标精确率，召回率，ROC曲线3. 惩罚因子。对分类器中不同类别分配不同的权值，小类别增加权值精确率：指分类正确的正样本的个数占分类器判定为正样本的样本个数的比例。...

随机梯度下降（SGD）：SGD指的是mini batch gradient descent 简单好理解，但是其存在的缺陷是，只有当自变量是一个维度的时候，它的前进方向才是真正梯度下降的方向。当存在多维变量时，若某一维度的梯度过大，会使得下降方向在该梯度方向的分量过大，偏离了真正的轨道。优点：针...

1  .build_release/src/caffe/proto/caffe.pb.h:23:35: fatal error: google/protobuf/arena.h: 没有那个文件或目录sudo gedit ~/.bashrc 将anaconda的路径注释掉source ~/.bashrc 使环境变量生效make clean2  .build_release/src/c...

常用在全连接层的dropout在卷积层中效果很差，原因在于特征图上的各激活单元具有空间相关性，只丢弃几个神经元不影响信息的流通，所以成块的舍弃，强迫卷积网络从剩余信息中学习，能提高分类的准确率。算法：参数控制drop块的个数，block_size控制丢弃块的大小。keep_prob就是dropout的参数如：keep_prob=0.75 block_size=3 f...

常用在全连接层的dropout在卷积层中效果很差，原因在于特征图上的各激活单元具有空间相关性，只丢弃几个神经元不影响信息的流通，所以成块的舍弃，强迫卷积网络从剩余信息中学习，能提高分类的准确率。算法：参数控制drop块的个数，block_size控制丢弃块的大小。keep_prob就是dropout的参数如：keep_prob=0.75 block_size=3 f...

在Makefile.config中添加#include<cudnn.h> 或者 #USE_CUDNN := 1Makefile:593: recipe for target '.build_release/tools/caffe.o' failed修改Makefile.config，PYTHON_INCLUDE := $(ANACONDA_HOME)/include \...

利用人体姿态估计的结果进行行为识别相比较常见的行为识别，基于骨骼的视频分类或者行为识别可以减少更多的冗余信息。本文利用heatmap和pose联合预测。1. 作者将14个关节点heatmaps整合成单通道heatmap如图b，对视频多帧进行spatial rank pooling，先将heatmap转化为特征向量，在信息融合一张特征向量图以代替整个视频的所有信息。2.heatmap...

pip3 uninstall dlibpip3 install dlib 

Ubuntu 16.04 LTS 64位系统通过apt的docker官方源安装最新的Docker CE(Community Edition)，即Docker社区版error: curl: (28) Operation timed out after 300415 milliseconds with 0 out of 0 bytes receivedgpg: no valid OpenPGP data found.