用于在线动作检测的时间循环网络
计算机视觉与模式识别
2019-03-26 v2
摘要
大多数时序动作检测工作被表述为离线问题，即在完整视频被完全观测后确定动作起止时间。然而，包括监控与驾驶辅助系统在内的重要实时应用，要求在每个视频帧到达时仅基于当前与历史观测识别动作。本文提出一种新颖框架——时间循环网络（TRN），通过同时执行在线动作检测与近期未来预测来建模视频帧更丰富的时序上下文。在每一时刻，我们的方法利用累积的历史证据与预测的未来信息以更好识别当前发生的动作，并将二者整合入统一的端到端架构。我们在两个流行的在线动作检测数据集 HDD 和 TVSeries，以及另一广泛使用的数据集 THUMOS'14 上评估方法。结果显示 TRN 显著优于当前最先进水平。
引用
@article{arxiv.1811.07391,
title = {Temporal Recurrent Networks for Online Action Detection},
author = {Mingze Xu and Mingfei Gao and Yi-Ting Chen and Larry S. Davis and David J. Crandall},
journal= {arXiv preprint arXiv:1811.07391},
year = {2019}
}