Late Temporal Modeling in 3D CNN Architectures with BERT for Action Recognition
1。概述:
在3DCNN的基础上进行的改进,把3DCNN最后的全局平均池化层换成了 Bidirectional Encoder Representations from Transformers(BERT),为了更好的利用时间信息。
2.主要结构
吧平均池化去掉,直接输入到 BERT中,经过训练输出特征。
3. FRAB和FRMB
由于BERT的计算二次增大了output的尺寸,这就造成了module的参数量大大增大了。为了减少这个参数量,作者提出了2个特征减少块FRAB和FRMB
如图,FRMB是在module中的最后的单元块换成新的单元块来降维,FRAB是直接在外边加一个单元块来降维。实验表明,FRMB更适合在这个module中用来降维。
4.在slowfast网络中的实验
因为slowfast网络和别的网络有明显的不同(通过slow网络捕捉空间信息,fast网络捕捉时间信息), 所以单独列出来。
这个模块有一个早期融合和晚期融合的问题,所以吧这两个问题分开讨论。
5.结论
这篇论文属于精度最高的一篇论文了,具体问题因为还没有做复现,暂时还不清楚。不过网络过于复杂,检测的实时性不高,是一篇做复现的好文章。
2021-03-30
最新推荐文章于 2023-09-15 17:05:42 发布