重新审视具有类别相似性控制的少样本活动检测
计算机视觉与模式识别
2020-04-02 v1
摘要
现实世界中的许多有趣事件十分稀少，因此预标注的机器学习可用视频也随之稀缺。因而，能够从少量样本学习的时序活动检测模型备受青睐。本文提出一个概念上简单、通用且新颖的基于提议回归的少样本时序活动检测框架，可检测未裁剪视频中活动的起止时间。我们的模型端到端可训练，考虑了少样本活动与未裁剪测试视频间的帧率差异，并可由额外少样本示例获益。我们在三个大规模时序活动检测基准（ActivityNet1.2、ActivityNet1.3 和 THUMOS14 数据集）的少样本设定下进行实验。我们还研究了用于预训练视频分类骨干的活动重叠程度对性能的影响，并为该领域未来工作提出纠正措施。我们的代码将公开。
引用
@article{arxiv.2004.00137,
title = {Revisiting Few-shot Activity Detection with Class Similarity Control},
author = {Huijuan Xu and Ximeng Sun and Eric Tzeng and Abir Das and Kate Saenko and Trevor Darrell},
journal= {arXiv preprint arXiv:2004.00137},
year = {2020}
}