论文https://arxiv.org/pdf/1705.07750.pdf，from DeepMind ，CVPR2017 代码https://github.com/LossNAN/I3D-Tensorflow 2017年视频分类最好的网络，同时提供了VGG的预训练模型，网络端到端，简单易懂，便于部署及工程化。只是跑一下基本有个Tensorflow，单显卡就能训练和测试，效果还好，一绝。本文

决策树算法 算法的介绍决策树思想阐述 算法的介绍 决策树是一种监督学习算法，之前大火的小爱同学猜人名就是用这样的算法实现，通过不停的询问，即不停的分类，最终到无法进行分类的时候就锁定了结果。现实中有诸多应用，比如植物、动物的分类，本博客中的决策树分类方法叫做ID3，除此之外主流决策树算法还有CART和C4.5等 参考文献：《Machine Learning in Action》

这篇文章是少有的根据轨迹预测来做MOT的文章. 论文链接: https://arxiv.org/pdf/2210.07681.pdf 代码: https://github.com/dendorferpatrick/QuoVadis 1. Abstract 长时跟踪是一个经常被忽略的问题. 对于大于三秒钟的轨迹丢失, SOTA的跟踪器中只能恢复不到10%的轨迹. 轨迹丢失的时间越长,

Quo Vadis, Action Recognition? A New Model and the Kinetics Dataset 发表：2017 CVPR主要贡献：（1）公开了一个大型的视频数据集，可以用于迁移学习和网络训练。（2）提出了一个新的视频动作分类模型I3D。 之前的模型 a. ConvNet+LSTM 先用CNN提取图像的空间特征，然后顺序输入LSTM中提取时序特征，最后

《Quo Vadis, Action Recognition? A New Model and the Kinetics Dataset》概述 引言： 最近阅读了本篇论文，这是一篇发表在CVPR’17年的文章，总体上的贡献在于发布了一个新的数据集以及对3D卷积+Two-Stream方法的结合形成一个新的网络架构（I3D）,以下是对本篇论文的概述，如有错误，欢迎留言指正。 一、主要贡献

【论文阅读】Quo Vadis, Action Recognition? A New Model and the Kinetics Dataset 这是一篇2017CVPR的论文，我感觉这篇论文最大的贡献就是提出了kinetics数据集，这个数据集与之前的行为识别数据集相比有质的飞跃。同时文章也提出一种将2D卷积网络扩张成3D卷积网络的思想，使3D卷积网络可以收益于2D卷积网络的发展。感觉以后行

Abstract 当前动作分类数据集（UCF-101和HMDB-51）中视频的匮乏，使得很难确定好的视频架构，因为大多数方法在现有的小规模基准测试中都获得了类似的性能。本文根据新的Kinetics Human Action Video数据集重新评估了最先进的体系结构。Kinetics的数据量增加了两个数量级，其中包括400个人类动作课程，每个课程超过400个剪辑，它们是从逼真的，具有挑战性的Yo

主要解决长期跟踪问题 研究动机：在更长的时间范围内对未来轨迹进行推理 Introduction 首先说明，目前方法已经在短期预测、可见物体跟踪方向上取得成功。 用数据+图说明，长遮挡时，跟踪成功率（ID recall率）显著降低（问题引入） （读一下这篇引用 Donald B Reid. An algorithm for tracking multiple targets. In Tra

写爬虫的时候遇到 json.decoder.JSONDecodeError: Expecting property name enclosed in double quotes: line 1 column 2 (char 1)错误! 这里是把json对象转换为字典返回，所以单纯的用单引号，结果报错 return {'title': title,'url': url,'images

论文链接：https://arxiv.org/abs/1705.07750v1 项目代码：https://github.com/deepmind/kinetics-i3d   本想写点记录一下，但这篇博客https://blog.csdn.net/Gavinmiaoc/article/details/81208997 写得非常好，再写也是多余，直接参考便是，一定要看代码，代码才是最精彩的讲解。