通过生成网络反卷积压缩动作分段数据集
计算机视觉与模式识别
2025-03-19 v1
摘要
本工作提出了一种用于时序动作分割的程序视频数据集压缩方法。我们提出了一种压缩框架，利用从数据集中学习的生成先验和网络反卷积将数据压缩为紧凑的潜在代码，在时间和通道方面显著减少存储空间。正交地，我们提出了对样本多样且具有代表性的动作序列进行抽样，以最小化视频层面的冗余。我们的评估在标准基准数据集上表明，在压缩时序动作分割数据集方面具有一致的有效性，同时在与完整数据集训练相比下实现了具竞争力的性能。具体而言，在 Breakfast 数据集上，我们的方法在存储方面减少了 500 倍以上，同时保留了与使用完整数据集训练相当于 83% 的性能。此外，当应用于下游增量学习任务时，优于现有方法。
引用
@article{arxiv.2503.14112,
title = {Condensing Action Segmentation Datasets via Generative Network Inversion},
author = {Guodong Ding and Rongyu Chen and Angela Yao},
journal= {arXiv preprint arXiv:2503.14112},
year = {2025}
}
备注
10 pages, 3 figures, 5 tables, Accepted to CVPR2025