基于混合全卷积网络的动作性估计
计算机视觉与模式识别
2016-04-26 v1
摘要
动作性（actionness）被引入用于量化在特定位置包含通用动作实例的可能性。准确高效的动作性估计在视频分析中十分重要，并可能惠及动作识别与动作检测等其他相关任务。本文提出一种用于动作性估计的新深度架构，称为混合全卷积网络（H-FCN），其由表观 FCN（A-FCN）与运动 FCN（M-FCN）组成。这两个 FCN 利用深度模型的强大能力，分别从静态表观与动态运动的角度估计动作性图。此外，H-FCN 的全卷积特性使其能高效处理任意尺寸的视频。我们在具挑战性的 Stanford40、UCF Sports 与 JHMDB 数据集上开展实验以验证 H-FCN 在动作性估计上的有效性，结果表明我们的方法优于先前方法。进一步地，我们将估计的动作性图应用于动作提议生成与动作检测。我们的动作性图大幅提升了这些任务当前的业界最佳性能。
引用
@article{arxiv.1604.07279,
title = {Actionness Estimation Using Hybrid Fully Convolutional Networks},
author = {Limin Wang and Yu Qiao and Xiaoou Tang and Luc Van Gool},
journal= {arXiv preprint arXiv:1604.07279},
year = {2016}
}
备注
accepted by CVPR16