PrAViC：面向实时视频分类的概率自适应框架

视频处理通常分为两大类：对整个视频的处理（通常能产生最优分类结果）和实时处理（目标是尽快做出决策）。尽管文献中对专用于整个视频处理的模型通常有明确的定义和清晰的阐述，但在线处理的情况并非如此，其中存在大量手工设计的方法。为解决此问题，我们提出了 PrAViC，一个新颖、统一且基于理论的自适应框架，用于处理视频数据中的在线分类问题。我们研究的第一阶段是为序列数据的分类建立数学基础，并具备在早期阶段做出决策的潜力。这使我们能够构建一个自然的函数，鼓励模型更快地返回结果。后续阶段是提出一种直接且易于实现的方法，通过循环操作将离线模型适应到在线设置。最后，通过与现有最先进的离线和在线模型及数据集进行比较，对 PrAViC 进行了评估。这使得网络能够在保持甚至提高准确性的同时，显著减少做出分类决策所需的时间。