学习循环：用于动作识别的时间一致性特征发现
计算机视觉与模式识别
2020-11-25 v2
摘要
对时间变化泛化是视频中有效动作识别的先决条件。尽管深度神经网络取得了显著进展，聚焦于与动作整体表现相关的短期判别性运动仍具挑战。我们通过允许在发现相关时空特征时具有一定灵活性来应对该挑战。我们引入压缩与递归时间门（SRTG），一种偏好具有相似激活且可能存在时间变化的输入的方法。我们用一个新颖的 CNN 模块实现该想法，该模块使用 LSTM 封装特征动态，并结合一个负责评估所发现动态与建模特征一致性的时间门。我们使用 SRTG 模块时显示出一致的改进，且仅极小增加 GFLOPs 数量。在 Kinetics-700 上，我们的性能与当前最先进模型相当，并在 HACS、Moments in Time、UCF-101 和 HMDB-51 上超越这些模型。
引用
@article{arxiv.2006.08247,
title = {Learn to cycle: Time-consistent feature discovery for action recognition},
author = {Alexandros Stergiou and Ronald Poppe},
journal= {arXiv preprint arXiv:2006.08247},
year = {2020}
}