t-EVA：基于时间高效的 t-SNE 视频标注
计算机视觉与模式识别
2020-11-30 v1 图形学
机器学习
图像与视频处理
摘要
由于若干大规模视频数据集的可用，过去几年视频理解受到更多关注。然而，标注大规模视频数据集成本高昂。本工作中，我们提出一种时间高效的视频标注方法，利用时空特征相似性与 t-SNE 降维来大幅加速标注过程。基于特征相似性将来自不同视频的相同动作在二维空间中彼此邻近放置，有助于标注者对视频片段进行分组标注。我们在 ActivityNet (v1.3) 的两个子集与 Sports-1M 数据集的一个子集上评估了我们的方法。我们表明 t-EVA 在保持视频分类测试精度的同时，可优于其他视频标注工具。
引用
@article{arxiv.2011.13202,
title = {t-EVA: Time-Efficient t-SNE Video Annotation},
author = {Soroosh Poorgholi and Osman Semih Kayhan and Jan C. van Gemert},
journal= {arXiv preprint arXiv:2011.13202},
year = {2020}
}
备注
ICPR 2020 (HCAU)