ECO: Efficient Convolutional Network for Online Video Understanding

最新推荐文章于 2021-11-19 20:46:50 发布
最新推荐文章于 2021-11-19 20:46:50 发布
阅读量136 收藏
点赞数
分类专栏： 行为识别
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/weixin_42550076/article/details/117997970
版权

论文笔记（8）

ECO: Efficient Convolutional Network for Online Video Understanding

主要贡献

提出了ECO网络架构模块，特点：
(1)从整个视频中采样固定的帧数；
(2)采用3D卷积网络的方式去学习帧之间的联系；
(3)网络直接提供视频级别的得分，而不是在最后进行特征融合，因此它可以在线视频流下使用。

ECO

在这里插入图片描述
在这里插入图片描述

实验结果

在这里插入图片描述
在这里插入图片描述

LMW4444
关注
专栏目录
论文介绍 -- ECO: Efficient Convolutional Network for Online Video Understanding
信道者
12-31 2180
高效的视频理解网络
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 4778
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...
《ECO: Efficient Convolutional Network for Online Video Understanding》
Michael’s Blog
05-16 437
文章地址:《ECO: Efficient Convolutional Network for Online Video Understanding》 代码地址：https://github.com/mzolfaghari/ECO-efficient-video-understanding 对于视频理解，只使用少部分帧计算速度会比较快，但是对于数秒长的视频需要利用更多的帧信息来提高检测精度。为了解决这种问题，文章提出一种既可以利用较长的时间信息又可以较快的计算的网络。 一、网络结构 首先文章认为视频帧存在一些
ECO: Efficient Convolutional Network for Online Video Understanding论文笔记（飞桨）
weixin_44142579的博客
08-05 416
存在两个问题： （1）推理的主要部分是在视频中局部执行的，因此它错过了跨越几秒钟的动作中的重要关系，只关注局部信息，忽略了横跨一定时间间隔的动作联系。 （2）尽管存在采用快速逐帧处理的局部方法，但整个视频的处理效率不高，并且妨碍了快速视频检索或长期活动的在线分类。 相关工作： 与ECO最相似的是TSN，TSN方法是 1.输入视频划分成K个片段,每个片段随机取-帧 2.两个卷积网络分别提取空间和时序特征( RGB图像和光流图像) 3.通过片段共识函数 ,分别融蛤两个分支不同片段结果 4.两类共识再次
百度飞浆定会论文复现之视频分类：ECO: Efficient Convolutional Network for Online Video Understanding
TQ20170605的博客
08-07 242
百度飞浆定会论文复现之视频分类：ECO: Efficient Convolutional Network for Online Video Understanding 论文创新点： 本文考虑了视频分类中相邻帧之间的信息冗余，也考虑到较远帧之间的信息的相关性的情况下。本文采取与以前的方法不同，主要有三个方面： （1） 与TSN类似，本文从整个视频中抽取固定数量的帧来覆盖长范围时间结构（long-range temporal structure）建模，以便理解视频。这样，采样帧跨越整个视频，而与视频的长度无关。
行为识别论文笔记|TSM|TSM: Temporal Shift Module for Efficient Video Understanding
njuptalex的博客
12-07 2129
行为识别论文笔记|TSM|TSM: Temporal Shift Module for Efficient Video Understanding Lin, Ji , C. Gan , and S. Han . “TSM: Temporal Shift Module for Efficient Video Understanding.” 2019 IEEE/CVF International Conference on Computer Vision (ICCV) IEEE, 2019. Motiv
[论文笔记] 用于在线视频理解的高效卷积网络
Will Lin的博客
06-03 3451
视频理解算法有很多的应用场景，包括视频推荐、监控分析、人机交互等等。在这些真实的应用场景中，通常对算法的实时性有很高的要求。现有的行为识别方法还未能在分类的准确性和运行速度都达到比较好的效果（双流类的方法效果较好，但光流等步骤使得速度很受限；3D 网络类的方法目前的精度和速度也都还不够理想）。所以在保证分类效果的前提下，提高网络的运行速度是当前一个很重要的研究课题。 针对这个问题，这篇论文笔记主...
行为识别相关文献阅读
rca_finforc的博客
11-19 2505
行为识别 任务 预测某个时间间隔上的行为。 视频分类：预测整个视频的行为。 图像分类器。 难点 严重依赖物体和场景。数据集带来的问题：骑马和跑步可以用有没有马来区分；遛狗和化学可以用背景区分。这也就导致了真正对动作去区分这么一个功能没做到。 光流的问题：长度和语义。光流的帧数少难以描述长时间的动作。本身意义不明显，论文On the Integration of Optical Flow and Action Recognition提出了一个观点光流可能只是掩盖了外观信息。 CNN擅长捕获物体和场景信息
【视频行为识别7】ECO：Efficient Convolutional Network for Online Video Understanding(ECCV2018)
chen1234520nnn的博客
03-14 958
提出问题： 1. 大部分推理均是局部(如取2s一段的子片段)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：引入一种网络结构（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时间内容，而不是像之前论文中先将视频分n个片段，然后网络分别处理每个片段...
C-COT以及ECO论文和代码.rar
05-01
Martin Danelljan大神2017年轰动一时的ECO目标跟踪算法，由2016年的C-COT算法改进而来，拥有更快的时间效率和空间效率，对目标跟踪算法学习者必读的两篇文章
Network+ questions with answer key - 16 證書認證
11-26
Questions w/answers, Module 7, Part 1. xps, view w/IE. Total 6 Modules, passed cert w/95%.
《ECO: Efficient Convolutional network for Online video understanding》概述
一只攻城狮的博客
05-23 331
《ECO: Efficient Convolutional network for Online video understanding》概述 本文ECCV’18年的入选论文（不过我在ECCV上咋没找到啊[doge]），以下是对这篇论文贡献以及一些方法的概述，如有问题欢迎讨论。 首先说一下本文总体阐述的一个重要的好处就是处理速度快，很快，非常快！ yi ...
飞桨论文复现之ECO: Efficient Convolutional Network for Online Video Understanding（论文阅读）
shajiayu1的博客
08-06 596
目录一、复现使用框架和平台二、百度飞桨框架介绍三、ECO的前身TSN的介绍四、ECO相对TSN的改进五、ECO的飞桨框架复现 一、复现使用框架和平台 本文的论文复现使用百度的飞桨框架，开发平台是AI Studio。参加了百度的论文复现营：https://aistudio.baidu.com/aistudio/education/group/info/1340 论文复现营的介绍：为了帮助大家更好的进行论文发表等科研工作，深入实践深度学习，百度特别推出了全球顶会深度学习论文复现营。由百度资深算法工程师与中科院
《ECO：Efficient Convolutional Network for Online Video Understanding》文献阅读
qq_18644873的博客
01-02 1783
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...
video understanding
法相的博客
09-05 558
整理总结：知乎上的网友回答 https://www.zhihu.com/question/64021205
模型压缩之Learning Efficient Convolutional Networks through Network Slimming
程序员深度学习
05-25 2137
1. 摘要 在许多现实应用中，深度神经网络的部署由于其高额的计算成本变得很困难。在这篇论文中，我们提出了一种新颖的CNNs学习方案，它同时满足： 减小模型大小； 减少运行时的内存占用； 在不影响精度的同时，降低计算操作数； 利用通道稀疏化这样一个简单但却有效的方法，上面的条件很容易获得。不同于许多已经存在的方法，我们的方法可以直接应用到现代CNN网络架构中，在训练过程引入最小的花销，而且不需要其他特殊的软硬件加速器。我们将我们的方法称为“网络瘦身”，输入模型是一个宽大的网络，但是在训练期间不重要的通道.
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 5927
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...
mobilenets: efficient convolutional neural networks for mobile vision applications
最新发布
03-16
Mobilenets是一种高效的卷积神经网络，专门用于移动视觉应用。它采用了深度可分离卷积来减少计算量和参数数量，从而使得在移动设备上运行时速度更快，占用更少的存储空间。这使得Mobilenets成为在移动设备上进行实时图像分类、目标检测和语义分割等任务的理想选择。
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