RCL：用于时序动作检测的循环连续定位
计算机视觉与模式识别
2022-03-15 v1
摘要
时序表示是现代动作检测技术的基石。最先进的方法大多依赖密集锚定方案，其中锚点在时序域上以离散化网格均匀采样，然后回归精确边界。本文中，我们重新审视这一基础阶段并引入循环连续定位（RCL），其学习一种完全连续的锚定表示。具体而言，所提表示构建于以视频嵌入和时序坐标为条件的显式模型之上，从而确保检测任意长度片段的能力。为优化该连续表示，我们开发了有效的尺度不变采样策略，并在后续迭代中循环细化预测。我们的连续锚定方案完全可微，可无缝集成到现有检测器中，例如 BMN 和 G-TAD。在两个基准上的大量实验表明，我们的连续表示稳定地以约 2% mAP 超越其他离散化对应方法。因此，RCL 在 THUMOS14 上取得 52.92% [email protected]，在 ActivtiyNet v1.3 上取得 37.65% mAP，优于所有现有的单模型检测器。
引用
@article{arxiv.2203.07112,
title = {RCL: Recurrent Continuous Localization for Temporal Action Detection},
author = {Qiang Wang and Yanhao Zhang and Yun Zheng and Pan Pan},
journal= {arXiv preprint arXiv:2203.07112},
year = {2022}
}
备注
9 pages, 7 figures, CVPR2022