基于时序-空间图的跨模态视频时序动作定位方法及系统.pdf
新月****姐a
亲,该文档总共13页,到这已经超出免费预览范围,如果喜欢就直接下载吧~
相关资料
基于时序-空间图的跨模态视频时序动作定位方法及系统.pdf
本发明属于数据表示技术领域,提供了基于时序‑空间图的跨模态视频时序动作定位方法及系统,包括:接收视频数据和自然语言查询信息;基于自然语言查询信息确定自然语言查询特征表示;基于视频数据确定候选视频时序动作片段特征表示;基于所述候选视频时序动作片段特征表示和所述自然语言查询特征表示,预测所述候选视频时序动作片段的时序偏移量以及所述候选视频时序动作片段与自然语言查询信息的相关性;通过对相关性得分最高的候选视频时序动作片段进行偏移量矫正,得到最终目标视频时序动作片段定位结果。本发明上述两种特征表示预测对应候选视频
一种时序-视觉提案图网络的时序动作检测方法.pdf
本发明涉及一种时序‑视觉提案图网络的时序动作检测方法,属于时序动作检测技术。该方法在提案图上并行使用时序图卷积网络和视觉图卷积网络:首先,为每个提案选择有价值的邻居提案,并将其构建为动作提案图,再采用图卷积网络根据邻居提案对分类的不同贡献从邻居提案中获取动作信息来构造一个视觉图卷积网络,采用提案特征的余弦相似度作为权重;在动作提案图上再构造一个与视觉图卷积网络并行的时序图卷积网络,通过提案之间的时序和视觉相关性聚合信息。在使用图卷积网络时,提出一种新的时序图卷积操作,该操作将邻居提案按照时序位置关系划分为
一种基于时序卷积建模的视频动作检测方法.pdf
本发明提出一种基于时序卷积建模的视频动作检测方法,首先采用动作提案生成技术产生尽可能包含完整动作的提案片段;其次使用非极大值抑制配合加权IoU筛选出完整且重叠度高的提案,随后对提案进行稀疏采样得到指定数量的视频帧;采用深度网络模型提取视频帧的时空特征;然后对得到的帧级时空特征按演化模式划分成三个阶段,随后使用时序卷积对每个阶段的特征分别进行时序建模。最后使用分类器和回归器来预测动作类别和检测动作发生的时间区间。应用本发明可以克服提案的不完整性,同时最大限度的保留视频流的时序信息,进而更为精确的检测视频中的
视频时序动作检测方法、系统、电子设备及存储介质.pdf
本公开的实施例提供一种视频时序动作检测方法、系统、电子设备及存储介质,包括:训练多模态检测模型;获取待检测视频的实际时序特征序列和实际文本信息;将实际时序特征序列和实际文本信息输入预先训练的多模态检测模型,得到实际预测特征距离图和实际起止点热力图;根据实际预测特征距离图,确定出检测视频的实际动作类别;根据起止点热力图,确定出实际动作类别在待检测视频中的起止位置。本公开的实施例采用VLM多模态预训练模型构建视频时序动作检测,并设计了一种关于动作的提示型文本描述库帮助检测模型的训练,可同时从视频的图像数据和文
时序图生成方法与系统.pdf
本发明公开了一种时序图生成方法,包括:设置定时任务,所述定时任务用于采集预设的监控系统中的目标日志信息;执行所述定时任务以获取所述目标日志信息;解析所述目标日志信息,得到解析树;将所述解析树转换成链式结构;根据所述链式结构绘制目标时序图,并将所述目标时序图进行展示。本发明通过监控系统进行实时监控,得到日志信息,再通过定时任务采集日志信息中的目标日志信息,对目标日志信息进行解析,得到解析树,再将解析树转化为易于绘制时序图的链式结构,最后进行时序图的绘制,由于日志信息是实时获取的,可以对时序图进行实时绘制,解