面向高效动作识别的分组时空聚合
计算机视觉与模式识别
2019-10-01 v1
摘要
时序推理是视频分析的重要方面。3D CNN 通过无约束地联合探索时空特征展现出良好性能，但也大幅增加了计算开销。已有工作试图通过解耦空间与时间滤波器来降低复杂度。本文提出一种新颖的分解方法，将特征通道并行分解为空间组与时序组。该分解可使两组分别聚焦于静态与动态线索。我们称之为分组时空聚合（GST）。该分解更具参数效率，并使我们能定量分析不同层中空间与时序特征的贡献。我们在若干需要时序推理的动作识别任务上验证了模型并展示了其有效性。
引用
@article{arxiv.1909.13130,
title = {Grouped Spatial-Temporal Aggregation for Efficient Action Recognition},
author = {Chenxu Luo and Alan Yuille},
journal= {arXiv preprint arXiv:1909.13130},
year = {2019}
}
备注
ICCV 2019