基于时序卷积的动作提案：提交至 ActivityNet 2017
计算机视觉与模式识别
2018-09-27 v3
摘要
在本文中，我们描述了提交至 CVPR 2017 举办的 ActivityNet Challenge 中时序动作提案（任务 3）和时序动作定位（任务 4）的方法。由于动作分类任务的准确率已经非常高（在 ActivityNet 数据集上接近 90%），我们认为时序动作定位的主要瓶颈在于动作提案的质量。因此，我们主要关注时序动作提案任务，并提出了一种基于时序卷积网络的新型提案模型。我们的方法在时序动作提案任务和时序动作定位任务上均取得了 SOTA 性能。
引用
@article{arxiv.1707.06750,
title = {Temporal Convolution Based Action Proposal: Submission to ActivityNet 2017},
author = {Tianwei Lin and Xu Zhao and Zheng Shou},
journal= {arXiv preprint arXiv:1707.06750},
year = {2018}
}
备注
4 pages, Presented at ActivityNet Large Scale Activity Recognition Challenge workshop at CVPR 2017