学习时间对齐不确定性以实现高效事件检测
计算机视觉与模式识别
2015-09-07 v1
摘要
本文解决了高效视频事件检测问题。我们认为，在此方面应优先采用线性检测函数，因为它们在估计和评估期间具有可扩展性和高效性。在这方面，一种流行的方法是使用词袋（BOW）表示来表示序列，因为其具有：(i) 与序列长度无关的固定维度，以及 (ii) 紧凑地建模序列中统计信息的能力。然而，BOW 表示的一个缺点是本质上破坏了时间顺序信息。本文提出了一种新的表示方法，该方法利用了序列对之间相对时间对齐的不确定性，同时不破坏时间顺序。与 BOW 一样，我们的表示具有固定维度，使其易于与线性检测函数集成。在 CK+、6DMG 和 UvA-NEMO 数据库上的大量实验表明，在孤立和连续事件检测任务中均取得了显著的性能提升。
引用
@article{arxiv.1509.01343,
title = {Learning Temporal Alignment Uncertainty for Efficient Event Detection},
author = {Iman Abbasnejad and Sridha Sridharan and Simon Denman and Clinton Fookes and Simon Lucey},
journal= {arXiv preprint arXiv:1509.01343},
year = {2015}
}
备注
Appeared in DICTA 2015, 8 pages