DASZL：用于零样本学习的动态动作签名
计算机视觉与模式识别
2020-11-19 v3
摘要
活动识别有许多现实应用，其中潜在活动描述集合组合性地庞大。这使得端到端监督训练识别系统不切实际，因为没有任何训练集能实际涵盖整个标签集。在本文中，我们提出一种细粒度识别方法，将活动建模为动态动作签名的组合。这种组合式方法使我们能够将细粒度识别重新框定为零样本活动识别，其中检测器由支持深度学习组件的简单第一性原理状态机“即时”组合而成。我们在 Olympic Sports 与 UCF101 数据集上评估了我们的方法，我们的模型在多种实验范式下确立了新的最先进水平。我们还扩展了该方法，形成了一个独特的框架，用于视频中活动的零样本联合分割与分类，并展示了在广泛使用的手术数据集上零样本解码复杂动作序列的首个结果。最后，我们表明可以使用现成的目标检测器在完全全新的设定中无需额外训练即可识别活动。
引用
@article{arxiv.1912.03613,
title = {DASZL: Dynamic Action Signatures for Zero-shot Learning},
author = {Tae Soo Kim and Jonathan D. Jones and Michael Peven and Zihao Xiao and Jin Bai and Yi Zhang and Weichao Qiu and Alan Yuille and Gregory D. Hager},
journal= {arXiv preprint arXiv:1912.03613},
year = {2020}
}
备注
10 pages, 4 figures, 3 tables, AAAI2021 submission