一种基于时序卷积建模的视频动作检测方法.pdf
猫巷****觅蓉
在线预览结束,喜欢就下载吧,查找使用更方便
相关资料
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
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
一种基于分段图卷积网络的视频动作识别方法.pdf
本发明公开了一种基于分段图卷积网络的视频动作识别方法,包括以下步骤:A:获取每个视频段中的帧样本图像并进行图像增强;B:提取图像增强后的每个帧样本图像的外观特征和运动特征;C:构建基于每个视频段的特征关联图与时序一致性图及对应的关系连接矩阵;D:通过图卷积神经网络对输出特征进行增强得到输出特征;E:将输出特征与池化后的原始特征进行融合得到最终的时空特征;F:利用中期融合模型和后期融合模型进行动作,对分段识别的结果取平均值,得到待识别视频的动作识别结果。本发明能够提高视频动作的识别准确性。
基于时空分离卷积和非对称卷积的视频特征提取模型的建模方法.pdf
本发明公开了一种基于时空分离卷积和非对称卷积的视频特征提取模型的建模方法,属于模式识别、机器视觉技术领域和视频处理技术领域,该方法包括:搭建C3D网络模型;将C3D网络的前四层卷积层转化为时空可分离卷积,将3D卷积明确分解为一个2D空间卷积和一个1D时间卷积的连续操作;对C3D网络的后四个卷积层进行改进以减少模型参数,将3D卷积改进为非对称卷积;构建基于时空分离卷积和非对称卷积的视频特征提取模型。本发明经实验表明,其优点是改进的模型在视频的特征提取方面效果更好,且对于模型参数也可以进行有效的压缩,具有较高
一种基于深度卷积网络的视频显著性检测方法.pdf
本发明公开了一种基于深度卷积网络的视频显著性检测方法。本发明步骤:1:以视频的当前帧及其对应的光流图像作为特征提取网络的输入;2:将当前帧和对应的光流图像串接后得到的张量作为深度卷积网络输入提取特征;3:设计特征集成网络用于融合特征图,并得到对视频显著性检测的粗略估计;同时为了获得蕴含在特征图中卷积信息的补充性信息,特征集成网络引入原始信息,包括当前帧和对应的光流图像;4:模型中引入轮廓提取网络进行空域细化,轮廓提取网络采用线下训练方式,并用于检测物体的边缘轮廓。本发明为特征集成提供了丰富的辅助信息。进一