small_ARM的专栏

该论文的主要思想是从视频中选取关键的帧卷（frame volume）用来行为识别。 该文章的意图是通过对视频中关键帧进行选取，减少与视频表达内容不相关的视频帧，实现视频中行为识别准确率的提升。 该文章主要从两个方面进行阐述：1、如何选取关键帧。2、如何检测并框住人体动作行为以便用来识别 下面我讲从两个方面阐述这个问题。如何选取关键帧 关键帧的选取采用了多示例学习的方法(multiple-in

背景 关于视频中的行为识别，通常会出现这种识别错误的情况：即一段视频中包含若干动作，譬如打篮球的视频中包含跑、跳、扔东西等多种行为，如何能正确地识别为投篮？当前行为识别主要有两种CNN结构：（1）第一种：3D spatio-temporal 卷积，这种方法识别准确率有待提升，优势是速度较快。（2）第二种，也就是目前常用的方法：two-stream architectures，将视频分解成图

今天阅读了该论文，获得一些启发，先对其进行记录，以防后面会遗忘。该论文的核心思想是我要在视频中去除一些冗余帧，提升视频行为的判断力，保留有用信息，去除无关信息。论文的网络图如下所示：为何AdaptivePooling可以实现对关键帧的选取呢？原因在于Adaptive Pooling的结构所在。下面将讲述核心结构Adaptive Pooling。经过Deep Network获得的Fe

Abstract:本文对论文’Towards Good Practices for Very Deep Two-Stream ConvNets’的复现。该论文采用了two-stream的卷积方法，该方法的鼻祖是VGG团队，该团队的论文是14年的’Two-Stream Convolutional Networks for Action Recognition in Videos’ ,从此开创了新的一派

导言：由上一篇博客的方法实现人体行为识别，准确率高，但缺陷在于速度慢，最大的原因在于经典的two-stream的人体行为识别均使用光流图作为temporal net的输入。光流法速度慢，在应用中无法实时。这篇博客引用论文 Real-time Action Recognition with Enhanced Motion Vector CNNs——–Bowen Zhang, Limin Wang,

引言：根据ActionRecognize发展路线，最初是VGG组提出的Two-Stream Network实现，再他们之后，Limin Wang提出了VGGNet完成，加深了网络的深度，并提出防止过拟合的方法。得到了较好的效果。在ECCV2016，Limin Wang 提出了一种新的网络结构，即对双流网络的改进，称之为Temporal Segment Networks。 这篇博客主要讲述两个方面：1