面向跨粒度动作识别的深度分层池化设计
计算机视觉与模式识别
2020-06-09 v1
摘要
本文提出一种新颖的分层聚合设计，用于捕捉动作识别中不同时间粒度级别。我们的设计原则是由粗到细，并通过树状结构网络实现；当我们自上而下遍历该网络时，池化操作逐渐降低不变性，但在时间上更具分辨力和良好定位。学习该网络中操作的最佳组合——以拟合给定真值——通过求解一个约束最小化问题获得，其解对应于权重分布，该分布刻画了每个层级（乃至时间粒度）在全局分层池化过程中的贡献。所提分层池化不仅有原理支撑且基础扎实，还对视频长度不敏感，并对动作中的错位具有鲁棒性。在具有挑战性的 UCF-101 数据库上进行的广泛实验证实了上述结论。
引用
@article{arxiv.2006.04473,
title = {Deep hierarchical pooling design for cross-granularity action recognition},
author = {Ahmed Mazari and Hichem Sahbi},
journal= {arXiv preprint arXiv:2006.04473},
year = {2020}
}