MAE-GEBD：荣获CVPR'2023 LOVEU-GEBD挑战赛冠军
计算机视觉与模式识别
2023-06-29 v1
摘要
通用事件边界检测（GEBD）任务旨在构建一个通过检测适用于各类的通用事件边界来将视频分割为片段的模型。本文中，基于去年的MAE-GEBD方法，我们通过调整数据处理策略与损失函数提升了模型在GEBD任务上的性能。在去年方法的基础上，我们将伪标签的应用扩展至更大的数据集并进行了大量实验尝试。此外，我们应用了 focal loss 以更关注困难样本，提升了模型性能。最后，我们改进了去年使用的分割对齐策略，并根据视频的边界密度与时长动态调整分割对齐方法，使我们的模型更灵活并充分适用于不同情形。使用我们的方法，我们在Kinetics-GEBD测试集上取得了86.03%的F1分数，相较我们2022年的Kinetics-GEBD方法在F1分数上提升了0.09%。
引用
@article{arxiv.2306.15704,
title = {MAE-GEBD:Winning the CVPR'2023 LOVEU-GEBD Challenge},
author = {Yuanxi Sun and Rui He and Youzeng Li and Zuwei Huang and Feng Hu and Xu Cheng and Jie Tang},
journal= {arXiv preprint arXiv:2306.15704},
year = {2023}
}
备注
Winner of CVPR2023 LOVEU GEBD Challenge