联合最大间隔与语义特征用于复杂场景中的连续事件检测
计算机视觉与模式识别
2017-06-14 v1
摘要
本文探讨了连续域中的复杂事件检测问题（即起始和结束位置未知的事件）。现有的事件检测方法仅限于从视频的局部空间或时空块中提取特征。然而，这使得模型容易受到具有相似概念的事件的影响，例如“Open drawer”和“Open cupboard”。为了解决上述局限性，在本研究中，我们提出了一种基于从视频帧中提取的语义和时间特征相结合的新颖模型。我们在提取的特征之上，于一个自适应框架中训练了一个最大间隔分类器，该框架能够检测起始和结束位置未知的事件。我们的模型基于双向区域神经网络和大间隔结构化输出 SVM。我们模型的通用性使其能够简单地应用于不同的有标签和无标签数据集。我们最终在三个具有挑战性的数据集“UCF 101-Action Recognition”、“MPII Cooking Activities”和“Hollywood”上测试了我们的算法，并报告了 SOTA 性能。
引用
@article{arxiv.1706.04122,
title = {Joint Max Margin and Semantic Features for Continuous Event Detection in Complex Scenes},
author = {Iman Abbasnejad and Sridha Sridharan and Simon Denman and Clinton Fookes and Simon Lucey},
journal= {arXiv preprint arXiv:1706.04122},
year = {2017}
}
备注
submit to journal of Computer Vision and Image Understanding