Online Action Detection

本文介绍了一个在线行为检测的研究,使用了包含约150分钟每一剧集,总共16小时的TVSeries数据集,涵盖了30种动作,每种动作在数据集中至少出现50次。研究中面临的挑战包括在部分信息下进行预测、负样本的高多样性、动作起始时间未知及类内差异大。评估协议引入了一种新的校准精度(cPrec)和平均校准精度(cAP),以更好地衡量模型在正样本和负背景帧之间的区别。

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

Online Action Detection

论文地址:https://arxiv.org/abs/1604.06506

Dataset

TVSeries dataset

around 150 minutes of every series
16 hours in total
every set(training, validation and testing set) contains at least one episode of every series
totally have 30 actions
every action occurs at least 50 times in the dataset

Challenge

  1. 部分信息被观察之后就需做出预测(因为我们需要尽快对动作做出识别)。
  2. 负样本之间的多样性很大,不应该被误认为正类(因为是在实际过程中,负样本之间的差异性很大)。
  3. 动作的起始时间未知,所以不清楚从何时开始将这些动作片段合并。
  4. 实际生活中有很大的类内之间的差异(不同的人之间相应的动作也会有差异)。

Evaluation protocol

因为正样本和负背景帧之间的差别很大,且这种差别对于模型的影响也有很大的影响,所以我们提出了一种新的 calibrated precision :
c P r e c = T P T P + F P w = w ∗ T P w ∗ T P + F P c A P = ∑ k c P r e c ( k ) ∗ I ( k ) P cPrec = \frac{TP}{TP+\frac{FP}{w}} = \frac{w*TP}{w*TP + FP}\\ cAP = \frac{\sum_k cPrec(k) * I(k)}{P} cPrec=TP+wFPTP=wTP+FPwTPcAP=PkcPrec(k)I(k)
其中w

评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
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
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