用于动作检测的弱监督高斯网络
计算机视觉与模式识别
2020-01-07 v4 机器学习
机器学习
摘要
在视频中检测人体动作的时间区间是一项具有挑战性的计算机视觉问题，需要包括帧级标签在内的详细人工监督。这种昂贵的标注过程限制了动作检测器在有限类别上的部署。我们提出了一种称为WSGN的新方法，该方法从弱监督中学习检测动作，仅使用视频级标签。WSGN学习利用视频特定和数据集范围的统计信息来预测每一帧与动作类别的相关性。该策略在THUMOS14和Charades两个标准基准上显著提升了动作检测性能。与使用相似特征和损失函数的SOTA方法相比，我们的方法在THUMOS14数据集上取得了优异结果。类似地，在具有挑战性的Charades数据集上，我们的弱监督方法在动作定位方面仅落后SOTA监督方法0.3% mAP。
引用
@article{arxiv.1904.07774,
title = {Weakly Supervised Gaussian Networks for Action Detection},
author = {Basura Fernando and Cheston Tan Yin Chet and Hakan Bilen},
journal= {arXiv preprint arXiv:1904.07774},
year = {2020}
}
备注
Accepted in WACV 2020