Boundary-Sensitive Network for Temporal Action Proposal Generation

最新推荐文章于 2023-11-28 15:27:42 发布
最新推荐文章于 2023-11-28 15:27:42 发布
阅读量1.9k 收藏 1
点赞数 1
CC 4.0 BY-SA版权
分类专栏： # 视频理解 文章标签： Action Proposals Video understanding
版权声明：本文为博主原创文章，遵循 CC 4.0 BY-SA 版权协议，转载请附上原文出处链接和本声明。
本文链接：https://blog.youkuaiyun.com/On_theway10/article/details/89207138
本文介绍了一种名为BSN（Boundary-Sensitive Network）的边界敏感网络，该网络用于生成时间动作提案，旨在从视频中准确检测动作实例。论文提出的方法能够处理不同长度的视频，精确捕捉动作的开始和结束时刻，并且生成的提案便于后续处理。对于视频分析和动作识别任务，BSN提供了一种灵活、准确且高效的方法。

摘要生成于 C知道 ，由 DeepSeek-R1 满血版支持， 前往体验 >

相关资料链接：https://www.zhihu.com/search?type=content&q=%E6%9E%97%E5%A4%A9%E5%A8%81

paper ： BSN:Boundary-Sensitive Network for Temporal Action Proposal Generation (2018-ECCV)
 

问题描述及Proposal的一些特点

长度为l_v的视频X，其中包含N_g个动作/行为(actioness-instance)，记为，其中t_s,_n，t_e,_n依次表示第n个action在video中的起始时刻、结束时刻。temporal action proposal的目的在于：通过学习video对应的时空特征，让模型来输出学到的action proposal，即 ：Ψp。对video而言，一个好的Proposal应该具有以下3个的特点：1.  持续时间应该是灵活的，而不是固定时长的；2. 与groundtruth相比，它的起止时刻应该准确（即具有准确的时间边界）；3. 可以复用、被检索（方便后续过程中对proposal进行估计）。

BSN-pipeline

Boundary-sensitive Network for Portrait Segmentation论文解读
qq_27637315的博客
01-24 2100
这是 一篇做肖像分割的论文，以下是我看完以后的一些记录。 1.整体框架图 创新点1.个体边缘敏感算子 其中Ii-Cj代表当前像素点离最近像素点的距离 当每一个像素点在一次尝试中进行前向传播时损失函数为： 创新点2：全局边缘敏感算子 算子和损失函数为： 全局算子产生的可能性图代表每个像素点属于前景与背景的可能性，各个算子图如下： 创新点
时序动作提案生成 Temporal Action Proposal Generation 论文阅读
NEUXia的博客
11-25 2816
Fast Learning of Temporal Action Proposal via Dense Boundary Generator Accurate Temporal Action Proposal Generation with Relation-Aware Pyramid Network Boundary-Matching Network for Temporal Action Proposal
BSN: Boundary-Sensitive Network for Temporal Action Proposal Generation
qq_41590635的博客
12-26 3145
转自BSN作者林天威知乎：https://zhuanlan.zhihu.com/p/39327364，用于学习交流。 前言 这篇笔记主要介绍我们录用于ECCV 2018上的论文: “BSN: Boundary-Sensitive Network for Temporal Action Proposal Generation”。这篇论文主要针对时序动作提名生成(temporal action pr...
时序动作检测《BSN: Boundary Sensitive Network for Temporal Action Proposal Generation》
胖胖大海的博客
07-23 3374
温馨提示：本文仅供自己参考（勿捧杀），如有理解错误，有时间再改！ 时序行为检测 两段式目标检测方法如Faster RCNN先使用RPN网络生成proposal，然后再使用Fast RCNN网络对proposal进行精炼，得到更加准确的结果。两段式时序行为检测方法跟两段式目标检测方法类似，先生成时序行为的proposal候选片段，然后再使用时序动作识别方法对proposal进行行为分类。所以生成的proposal的准确性严重影响时序行为检测的性能，高质量的proposal应该具备两个重要属...
BMN：Boundary-matching network for temporal action proposal generation
liguandong
11-22 1964
上图，可以表示所有潜在的时序提名，在BM置信度图中每个点所代表的的数值就是其所对应的时序提名的置信度分数。因此可以通过生成置信度图来同时给所有时序提名生成置信度分数，横轴是T输入时序特征序列的长度，纵轴是D，为最大的时序提名长度， 注意上图，相同的行表明时序提名具有相同的时序长度，纵轴是时序提名长度，相同的纵轴表明时序长度相同，相同的列表明输入时序特征的长度的起始点是一样的，则具有相同的开始时间，实际上这个二维的BM图上的每个点都代表了一个二维坐标，即起始时间和时序长度，那么就锁定了一个时序的置信度。
【论文翻译】 BMN: Boundary-Matching Network for Temporal Action Proposal Generation
CSPhD-winston的博客
01-09 1039
BMN: Boundary-Matching Network for Temporal Action Proposal Generation 边界匹配网络[时序动作提名] Figure 2. Illustration of BM confidence map. Proposals in the same row have the same temporal duration, and proposals in the same column have the same starting time. T
Temporal Action Detection：G-TAD: Sub-Graph Localization for Temporal Action Detection（CVPR2020）
LaoPan0111的博客
06-03 988
G-TAD: Sub-Graph Localization for Temporal Action Detection 论文下载链接：https://arxiv.org/pdf/1911.11462.pdf THUMOS14数据集下载： GooogleDrive,OneDrive 1 摘要 对于动作检测而言，视频的文本信息是十分重要的线索之一，但是当前的工作主要集中于时序文本信息（temporal context），而忽视了另一个同样重要的语义文本信息（semantic context）。本文提出通过GCN
CVPR 2021最全论文开放下载！附pdf下载链接！
热门推荐
中科院AI算法工程师的博客
06-18 1万+
CVPR 2021最全论文开放，附所有pdf下载链接！
全卷积网络用于手语识别
qq_43787895的博客
05-07 2282
Fully Convolutional Networks for Continuous Sign Language Recognition Abstract. Continuous sign language recognition (SLR) is a challenging task that requires learning on both spatial and temporal dimensions of signing frame sequences. Most recent work acc
【CVPR2019】论文完整列表一
TomRen
06-11 1万+
CVPR 2019 Paper list[1-1000] CVPR2019 完整列表二 论文题目与链接 Finding Task-Relevant Features for Few-Shot Learning by Category Traversal Edge-Labeling Graph Neural Network for Few-Shot Learning G...
Temporal Action Proposal Generation and Detection in Videos.
09-28
南加州大学的高继扬博士关于时序动作检测的分享，为大家分享视觉领域内的干货及经验
BMN: Boundary-Matching Network for Temporal Action Proposal Generation【文章分析与理解】
我亦无他，唯手熟尔
05-26 1210
BMN: Boundary-Matching Network for Temporal Action Proposal Generation【文章分析与理解】
BMN: Boundary-Matching Network for Temporal Action Proposal Generation阅读笔记
zhuzyibooooo的博客
08-03 593
论文链接：http://arxiv.org/abs/1907.09702 论文代码： https://github.com/PaddlePaddle/…（PaddlePaddle） https://github.com/JJBOY/…（Pytorch） 原作者知乎解析：https://zhuanlan.zhihu.com/p/75相比“自上而下”的方法，BSN生成的提名具有更加精确的时间边界和更加灵活的持续时间。 优点： 框架：提出了一种全新的且非常有效的时序提名生成框架，能够产生满足(1)时长灵活(2)边
BSN —《Boundary-Sensitive Network for Temporal Action Proposal Generation》概述
一只攻城狮的博客
06-07 1568
BSN—《BSN:Boundary-Sensitive Network for Temporal Action Proposal Generation》概述 引言： 本文介绍了来自于上交大林天威大佬（知乎有账号）发表自ECCV’18上的一篇论文，本文主要提出了一种自下而上的动作检测框架网络 BSNBSNBSN ，一下是对本文的大体概述，如有错误，欢迎留言指出。 一、主要贡献： 提出了一种基于 locallocallocal tototo globalglobalglobal 的新架构（BSN）来生成
BSN: Boundary Sensitive Network for Temporal Action Proposal Generation论文阅读笔记
Hia_Hia_Hia的博客
10-28 991
引言 时序候选片段问题的难点在于，不仅要产生有精确时序边界的候选片段，还希望使用相对较少的候选片段就能检索到高召回率和高重叠率（与真实的动作实例）的候选片段。为了解决这个难点，提出了BSN网络。BSN网络采用了"local to global"方法，local是指先定位可能性大的时序边界，再整合这些边界作为候选；global是指通过评估一个候选中是否包含动作的置信度来检索候选。用到的数据集是Ac...
【代码复现】BMN: Boundary-Matching Network for Temporal Action Proposal Generation
CSPhD-winston的博客
01-06 1695
一，开始前的准备 1.1，前言 现在有那么多视频检测框架，为什么选BMN进行复现？ 1，2019 年 ActivityNet 夺冠方案 2，这是中国人做出来的，而且作者在知乎也写了详细的讲解（这一点才是最重要的） 3，BMN距离现在时间很近，能算是最前沿的技术，通过对BMN的改进，可以用作我的毕业论文的写作。 1.2，参考资料 ActivityNet Challenge 2019 冠军模型BMN算法全解析 [ICCV 2019][时序动作提名] 边界匹配网络详解 github代码 1.3,系统、深度学习框架
【代码复现失败】BMN: Boundary-Matching Network for Temporal Action Proposal Generation
CSPhD-winston的博客
01-05 875
前言 现在有那么多视频检测框架，为什么选BMN进行复现？ 1，2019 年 ActivityNet 夺冠方案 2，这是中国人做出来的，而且作者在知乎也写了详细的讲解（这一点才是最重要的） 3，BMN距离现在时间很近，能算是最前沿的技术，通过对BMN的改进，可以用作我的毕业论文的写作。 参考 ActivityNet Challenge 2019 冠军模型BMN算法全解析 [ICCV 2019][时序动作提名] 边界匹配网络详解 github代码 准备 1，ubuntu系统，我用的是ubuntu16 2，Pad
时序动作检测《BMN: Boundary-Matching Network for Temporal Action Proposal Generation》
胖胖大海的博客
07-26 4223
温馨提示：本文仅供自己参考（勿捧杀），如有理解错误，有时间再改！ BMN算法是对BSM算法的改进，有关BSN算法的详细介绍，请参考上一篇文章。一个高质量的proposal生成方法应当具备生成的proposal长度灵活可变、proposal边界精确、proposal可靠的置信度。 BSN算法的缺点： 1、BSN算法中PEG模块对于候选proposal的特征构建和置信度评估是分开进行的，效率低 2、在BSN算法中的TEM模块对每个时刻采用局部上下文信息...
Boundary-Matching Network for Temporal Action Proposal Generation笔记
最新发布
CclelouchCc的博客
11-28 199
*4.后处理：**对于得出的置信度分数，有些候选框（starting-ending）有可能会发生重叠，例如第一帧—第十帧是一个候选框，第一帧—第五帧也是一个候选框，两个候选框的置信度分数都很高，那么就需要去除其中一个框，这里使用的方法是非极大值抑制（Non-Maximum Suppression，NMS）。如上图所示，用双流卷积网络提取出特征后，生成了一个叫做BM置信图的map，在这张map里，可以直接观测到预测的提名及其置信度分数大小，相比于BSN，先生成特征，后逐个生成置信度分数，极大地提高了效率。
评论
添加红包

请填写红包祝福语或标题

个

红包个数最小为10个

元

红包金额最低5元

当前余额3.43元 前往充值 >
需支付：10.00元
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

ReLuJie

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付：¥1
获取中
扫码支付

您的余额不足，请更换扫码支付或充值

打赏作者

实付元
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明：

1.余额是钱包充值的虚拟货币，按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载，可以购买VIP、付费专栏及课程。

余额充值