【论文阅读笔记】Learning Spatiotemporal Features with 3D Convolutional Networks

最新推荐文章于 2020-05-11 15:31:04 发布
最新推荐文章于 2020-05-11 15:31:04 发布
阅读量764 收藏
点赞数
CC 4.0 BY-SA版权
分类专栏： 论文阅读笔记
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/bpp94_github/article/details/82462812
该论文研究了3D卷积神经网络（C3D）在捕捉视频的外观和运动信息方面的效能。通过实验，3X3X3的卷积核在多个层中表现最佳。C3D网络在6个数据集上的识别任务中展现出优秀性能，且其特征具有通用性、紧凑性和高效性。此外，论文还探讨了网络架构、卷积核深度的影响，并与其他主流方法比较，证明C3D能同时捕获静态和动态特征。最后，实验表明C3D特征经过PCA降维后仍保持良好的分类性能，验证了其在场景和物体识别中的优势。

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

论文主要贡献：

1.验证了3D卷积神经网络能够同时捕捉外观和运动信息，是优秀的特征提取器。

2.在特定的构架内，3X3X3的卷积核在所有层中都表现出最好的效果。

3.3D卷积神经网络提取出的特征结合线性模型分类器所得到的结果在6个数据集（4个识别任务）中都有突出的性能。

好的视频特征描述应该包含如下特征：

a）具有通用性，对任意类型的视频都能够有好的描述效果。

b）特征足够紧凑，紧凑的特征有利于存储，处理和检索任务的扩展。

c）需要的计算资源要尽可能少，能够高效率提取。

d）好的特征能够使分类模型易于实现。尽管使用简单的分类器，也能够对视频进行很好的分类。

共同网络参数：

数据集：UCF101, Sports-1M

输入：3（通道）X16（帧数）X112X112（帧大小），minibatch 30.初始learning-rate：0.003，每4个epoch后将learning-rateX0.1作为新的学习率。共训练16个epoch。optimization：SGD

训练集：每个视频截取5个不同的片段，每个片段16帧，2秒

网络构架：5个卷积层（3X3X3，步长1）+5个max pool

最低0.47元/天 解锁文章
Learning Spatiotemporal Features with 3D Convolutional Networks
LYKymy的博客
09-16 1625
Abstract 我们提出了一种简单而有效的时空特征学习方法，使用在大规模有监督视频数据集上训练的深三维卷积网络。我们的发现有三个方面：1）与二维变换相比，三维变换更适合时空特征学习；（2）3×3×3卷积核较小的同构结构是三维转换网络性能最好的结构之一；3）我们学习的特性，即c3d（卷积3d），具有简单的线性分类，在4个不同基准上优于最新方法，并且与其他2个基准上的当前最佳方法具有可比性。此外，...
论文笔记之C3D（Learning Spatiotemporal Features with 3D Convolutional Networks）
加油
06-26 3838
通过构造了对称的3×3×3卷积核来利用3D卷积学习时空特征，计算效率高。 论文地址：http://vlg.cs.dartmouth.edu/c3d/c3d_video.pdf 1. 摘要 本文提出了一种简单而有效的时空特征学习方法，使用在大规模有监督视频数据集上训练的3D 卷积网络。本文的发现有三个方面： 1）与2D ConvNets相比，3D ConvNets更适合于时空特征学习； 2）一个在所有层都有3 × 3 × 3卷积核的同质结构是3D ConvNets的最佳性能结构； 3）学习到的特征，即C3.
Learning Spatiotemporal Features with 3D Convolutional Networks 论文学习
calvinpaean的博客
03-08 334
Abstract 本文针对时空特征学习提出了一个简单而有效的方法，就是在大规模的视频数据集上训练三维卷积网络（3D ConvNets）。本文的贡献主要有三方面：1）相较于二维卷积网络，三维卷积网络更适合时空特征的学习；2）对于三维卷积网络而言，在所有的层中使用3×3×33\times 3\times 33×3×3卷积核，这样的结构得到的表现是最优的；3）该方法学到的特征C3D（3D卷积），加上一个...
【论文阅读】Learning spatiotemporal features with 3d convolutional networks.
weixin_41648477的博客
05-11 994
【论文阅读】
【论文阅读】Learning Spatiotemporal Features with 3D Convolutional Networks
热门推荐
zzmshuai的博客
12-07 1万+
【论文阅读】Learning Spatiotemporal Features with 3D Convolutional Networks 这是一篇15年ICCV的论文，本篇论文提出的C3D卷积网络是3D卷积网络的里程碑，以3D卷积核为基础的3D卷积网络从此发展起来。 论文地址：下载地址 基于pytorch的c3d模型代码：下载地址 简介 文章认为一个有效的视频描述子应该具备以下特点： 良好的泛...
【程序人生】Learning Spatiotemporal Features with 3D Convolutional Networks
Zhang_Chen_的博客
01-13 1139
1.论文Learning Spatiotemporal Features with 3D Convolutional Networks阅读笔记
视频分类论文阅读笔记——Learning Spatiotemporal Features With 3D Convolutional Networks
qq_41341454的博客
03-30 603
论文：Learning Spatiotemporal Features With 3D Convolutional Networks 作者： 来源：ICCV2015 代码： 文章目录1.摘要 1.摘要
论文笔记C3D：Learning Spatiotemporal Features with 3D Convolutional Networks
Blssel的博客
03-23 1813
思考对视频进行描述，其描述子必须：1.具有普遍性以适应各种场景；2.必须短小紧凑3.必须利于计算4.必须易于实现图像识别中，特征提取的很完备和优秀，但不适用于视频。本文致力于利用3D CNN提取时空特征。我们只用线性分类器来分类它们，以验证特征好坏。并且这些特征可以被拿来做各种视频分析任务，无需针对任务再调整模型（就笔者知道的，包括video caption, temporal action det
论文阅读笔记《leaning spatiotemporal features with 3D convolutional network》
kuguadaoren的博客
09-25 611
论文阅读笔记《leaning spatiotemporal features with 3D convolutional network》
论文讲解Learning Spatiotemporal Features with 3D Convolutional Networks（C3D） .ppt
05-22
行为识别C3Dppt
Learning Spatiotemporal Features with 3D Convolutional Networks学习笔记
VictorLee
05-19 3471
Learning Spatiotemporal Features with 3D Convolutional NetworksDu Tran, Lubomir Bourdev, Rob Fergus, Lorenzo Torresani, Manohar Paluri ICCV论文主要通过使用了深度３维卷积神经网络(C3D)提出了一种简单、高效的方法在大规模有监督视频数据集上用于时域空域的特征
动作识别阅读笔记(二)《Learning Spatiotemporal Features with 3D Convolutional Networks》
mhz9123的博客
02-05 722
欢迎使用Markdown编辑器 你好！ 这是你第一次使用 Markdown编辑器 所展示的欢迎页。如果你想学习如何使用Markdown编辑器, 可以仔细阅读这篇文章，了解一下Markdown的基本语法知识。 新的改变 我们对Markdown编辑器进行了一些功能拓展与语法支持，除了标准的Markdown编辑器功能，我们增加了如下几点新功能，帮助你用它写博客： 全新的界面设计 ，将会带来全新的写作体...
时空特征--Learning Spatiotemporal Features with 3D Convolutional Networks
AI小作坊 的博客
09-15 6841
Learning Spatiotemporal Features with 3D Convolutional Networks ICCV 2015 http://vlg.cs.dartmouth.edu/c3d/ https://github.com/facebook/C3D本文使用 3D CNN 来分析视频序列，学习到的时空特征称之为 C3D，主要寻找3D CNN 中的最优3D滤波器结构
Learning Spatiotemporal Features with 3D Convolutional Networks (C3D User Guide)
u014154380的博客
10-25 2238
1、C3D特征提取1.安装C3D（方法同安装caffe） 2.下载预训练模型将其保存在YOUR_C3D_HOME/examples/c3d_feature_extraction +将目录更改为YOUR_C3D_HOME / examples / c3d_feature_extraction +运行脚本文件： sh c3d_sport1m_feature_extraction_fr
[深度学习论文笔记][Video Classification] Learning Spatiotemporal Features with 3D Convolutional Networks
Hao_Zhang_Vision的博客
11-16 2001
Tran, Du, et al. “Learning spatiotemporal features with 3d convolutional networks.” 2015 IEEE International Conference on Computer Vision (ICCV). IEEE, 2015. (Citations: 101). 1 Architecture Thi
Learning Spatiotemporal Features with 3D Convolutional Networks 读书笔记
Struggling_orange的博客
07-30 1960
  最近读了Learning Spatiotemporal Features with 3D Convolutional Networks这篇文章，下面对文章内容进行简要概括。 摘要   摘要主要介绍在大规模有监督的视频数据集下训练出了一种简单且高效的三维卷积神经网络的方法来学习时空特征。且此发现具有三重的效果：   1）相比较于二维，三维卷积神经网络更适合于时空特征   2）在三维卷积神...
Graph Convolutional Adversarial Networks for Spatiotemporal Anomaly Detection
04-23
Graph Convolutional Adversarial Networks for Spatiotemporal Anomaly Detection is a research paper that proposes a new approach to detect anomalies in spatiotemporal data using graph convolutional networks and adversarial training. The proposed model shows promising results in detecting anomalies in traffic flow and video surveillance datasets.
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
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