基于循环一致性的活动长期预测
计算机视觉与模式识别
2020-09-03 v1
摘要
随着深度学习方法在分析视频中活动方面的成功，近期更多注意力集中于预测未来活动。然而，大多数预测工作要么分析部分观测到的活动，要么预测下一动作类别。最近提出了一些新方法，将预测时域扩展到未来数分钟，并预测未来活动序列及其持续时间。尽管这些工作将观测序列的语义解释与预测任务解耦，我们提出了一种直接从观测帧特征预测未来活动的框架，并以端到端方式训练。此外，我们通过给定预测未来来反推过去活动，引入了随时间变化的循环一致性损失。我们的框架在两个数据集上取得了最先进的结果：Breakfast 数据集和 50Salads。
引用
@article{arxiv.2009.01142,
title = {Long-Term Anticipation of Activities with Cycle Consistency},
author = {Yazan Abu Farha and Qiuhong Ke and Bernt Schiele and Juergen Gall},
journal= {arXiv preprint arXiv:2009.01142},
year = {2020}
}
备注
GCPR 2020