事半功倍：利用网络动作图像训练CNN进行动作识别
计算机视觉与模式识别
2015-12-23 v1
摘要
最近，尝试收集数百万视频来训练CNN模型用于视频动作识别。然而，策划如此大规模视频数据集需要巨大人力，且在数百万视频上训练CNN需要巨大计算资源。相反，从网络收集动作图像更容易，且在图像上训练需要更少计算。此外，标注的网络图像往往包含有判别性的动作姿态，突出视频时间进程的判别部分。我们探索是否可利用网络动作图像训练更好的CNN模型用于视频动作识别。我们从网络收集23.8K手动过滤的图像，描绘UCF101动作视频数据集中的101个动作。我们展示在训练中利用网络动作图像与视频结合，可实现CNN模型性能的显著提升。然后我们通过利用爬取的网络图像（未过滤）对UCF101和ActivityNet研究该过程的可扩展性。我们用393K未过滤图像替换16.2M视频帧并获得可比性能。
引用
@article{arxiv.1512.07155,
title = {Do Less and Achieve More: Training CNNs for Action Recognition Utilizing Action Images from the Web},
author = {Shugao Ma and Sarah Adel Bargal and Jianming Zhang and Leonid Sigal and Stan Sclaroff},
journal= {arXiv preprint arXiv:1512.07155},
year = {2015}
}