Online_Video Moment Localization via Deep Cross-modal Hashing论文阅读1

本文主要是介绍Online_Video Moment Localization via Deep Cross-modal Hashing论文阅读1，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

各类标志

未修剪的视频集合

代表第k个视频。

对于第k个视频有多少个查询。

对于一个视频的查询集。


由人员标定的，第k个视频，针对查询集的所有目标片段。

第j个目标片段的开始时间和结束时间。

训练好的跨模态哈希网络的出的候选时刻集。

由C3D产生的第k个视频的局部特征集合，Rx是

VEN：

1. 采用C3D模型获取局部特征
2. 结合Bi-TCN模型，捕获对应的前上下文和后上下文信息来学习局部特征。上图是一个3层Bi-TCN，第k个视频的每个元素经过三层一维的膨胀卷积处理后，将两个方向的上下文进行整合，形成更全面的特征表示。
3. 采用一维正则卷积形成候选时刻集
4. 应用一个MLP模型获得所有候选集的特征表示

局部特征与全局特征

参考：https://blog.csdn.net/qq_26898461/article/details/49885673

局部特征(local features):

中间一列即为局部特征

1. 一些局部才会出现的特征
2. 局部：一些能够稳定出现并且具有良好的可区分性的一些点，这样在物体不完全受到遮挡的情况下，一些局部特征依然稳定存在。
3. 如上图：一方面：用这些稳定出现的点(局部特征)来代替整幅图像，可以大大降低图像原有携带的大量信息，起到减少计算量的作用。另一方面：当物体受到干扰时，一些冗余的信息（比如颜色变化平缓的部分和直线）即使被遮挡了，我们依然能够从未被遮挡的特征点上还原重要的信息。

全局特征：

1. 方差，颜色直方图。如果用户对整个图像的整体感兴趣，而不是前景本身感兴趣的话，全局特征用来描述总是比较合适的。
2. 缺点：无法分辨出前景和背景却是全局特征本身就有的劣势，特别是在我们关注的对象受到遮挡等影响的时候，全局特征很有可能就被破坏掉了。

Bi-TCN

输入xk进入有E-1层的Bi-TCN的输出可以表示为：


第e层的一维膨胀卷积

膨胀系数

第e层滤波核大小

待补充

• C3D
• 膨胀卷积
• 膨胀系数
• 滤波核大小
• MLP

这篇关于Online_Video Moment Localization via Deep Cross-modal Hashing论文阅读1的文章就介绍到这儿，希望我们推荐的文章对编程师们有所帮助！

---