七牛提交至ActivityNet挑战赛2018
计算机视觉与模式识别
2018-06-13 v1
摘要
本文介绍我们针对ActivityNet挑战赛2018中修剪活动识别（Kinetics）与修剪事件识别（Moments in Time）任务的提交方案。在两项任务中，我们以实现非局部神经网络和时间段网络作为基础模型。方法中还使用了RGB图像、光流和声学信号等多模态线索。我们亦提出新的基于非局部的模型以进一步提升识别精度。集成模型后的最终提交在Kinetics验证集上取得83.5%的top-1准确率和96.8%的top-5准确率，在MIT验证集上取得35.81%的top-1准确率和62.59%的top-5准确率。
引用
@article{arxiv.1806.04391,
title = {Qiniu Submission to ActivityNet Challenge 2018},
author = {Xiaoteng Zhang and Yixin Bao and Feiyun Zhang and Kai Hu and Yicheng Wang and Liang Zhu and Qinzhu He and Yining Lin and Jie Shao and Yao Peng},
journal= {arXiv preprint arXiv:1806.04391},
year = {2018}
}
备注
4 pages, 3 figures, CVPR workshop