在线动作检测中时间建模方法的综合性研究
人机交互
2020-01-22 v1 机器学习
摘要
在线动作检测（OAD）是一项实用且具有挑战性的任务，近年来吸引了越来越多的关注。一个典型的 OAD 系统主要由三个模块组成：通常基于预训练深度卷积神经网络（CNNs）的帧级特征提取器、时间建模模块和动作分类器。其中，时间建模模块至关重要，它从历史和当前特征中聚合判别性信息。尽管已为 OAD 及其他课题开发了多种时间建模方法，但它们在 OAD 上的效果缺乏公平考察。本文旨在提供关于 OAD 时间建模的综合性研究，涵盖四类元类型的时间建模方法，即时间池化、时间卷积、循环神经网络和时间注意力，并揭示一些构建最先进 OAD 系统的良好实践。其中许多方法在 OAD 中属首次探索，并在各种超参数下进行了广泛评估。此外，基于我们的综合性研究，我们提出了几种混合时间建模方法，在 THUMOS-14 和 TVSeries 上以可观的差距优于近期的最先进方法。
引用
@article{arxiv.2001.07501,
title = {A Comprehensive Study on Temporal Modeling for Online Action Detection},
author = {Wen Wang and Xiaojiang Peng and Yu Qiao and Jian Cheng},
journal= {arXiv preprint arXiv:2001.07501},
year = {2020}
}