0
点赞
收藏
分享

微信扫一扫

TURN TAP: Temporal Unit Regression Network for Temporal Action Proposals

在这里插入图片描述
Result:
Thumos14IoU=0.5时,MAP为25.6%

Motivation:
1)之前的S-CNN工作通过sliding windows,划分出proposal区域,为了获得高recall ,所以sliding windows 很密集,但是却high computation。
2)windows间有很多overlap,这些都是不必要的。

Contribution:
1)再做是/不是proposal的二分类基础上,同时进行temporal boundaries 的调整(通过temporal coordinate regression)。
2)S-CNN是将视频切分为 16, 32, 64, 128, 256, 512 (overlap 15%),现在是将视频切分为video units (no overlap)。

Method:
先将原视频剪成无重叠的短视频(6/16/32frames),对每段短视频采用现有的模型提取特征(C3D,双流CNN),得到特征单元(unit features)。

在这里插入图片描述

举报

相关推荐

0 条评论