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