检索结果-维普期刊中文期刊服务平台

双流特征增强与融合的弱监督时序动作定位: 1; 作者刘逸斌高曙陈良臣《计算机应用研究》北大核心 2025年第7期2213-2219,共7页; 弱监督时序动作定位旨在仅使用视频级标签对未修剪视频中的动作实例进行分类和定位。现有模型通常直接使用预训练的特征提取器从视频中提取片段级RGB和光流特征,但预提取的片段级视频特征只覆盖短的时间跨度,且没有考虑RGB和光流的互补... 展开更多; 关键词弱监督时序动作定位空洞卷积双流融合; 在线阅读下载PDF 职称材料

基于动作发现与边界预测的时序动作定位: 2; 作者陈乐聪李平曹佳晨《计算机应用与软件》北大核心 2024年第3期147-155,181,共10页; 时序动作定位指寻找视频中不同动作实例的开始与结束时间,即时序边界。现有强化学习方法存在重复搜索视频相同内容以及帧级别输入造成语义信息不足的问题,为此提出基于动作发现与边界预测的时序动作定位方法。将动作发现看作强化学习问... 展开更多; 关键词时序动作定位动作发现边界预测智能体强化学习; 在线阅读下载PDF 职称材料

多时间尺度一致性的弱监督时序动作定位被引量：3: 3; 作者郭文斌杨兴明 +2 位作者蒋哲远吴克伟谢昭《计算机工程与应用》 CSCD 北大核心 2023年第10期151-161,共11页; 由于弱监督时序动作定位模型使用视频级的标签作为监督信号,模型在识别出动作实例中最具区分性的视频片段时,也会将和视频级标签有关的背景片段误认为是动作,难以产生完整的动作提议。为了进一步检测动作片段,通过分析动作片段在多时间... 展开更多; 关键词弱监督时序动作定位多时间尺度一致性; 在线阅读下载PDF 职称材料

特征挖掘与区域增强的弱监督时序动作定位被引量：2: 4; 作者王静王传旭《计算机应用研究》 CSCD 北大核心 2023年第8期2555-2560,共6页; 弱监督时序动作定位旨在定位视频中行为实例的起止边界及识别相应的行为。现有方法尽管取得了很大进展,但依然存在动作定位不完整及短动作的漏检问题。为此,提出了特征挖掘与区域增强(FMRE)的定位方法。首先,通过基础分支计算视频片段... 展开更多; 关键词时序动作定位逆变换动态采样伪标签互监督多头自注意; 在线阅读下载PDF 职称材料

基于对比学习的弱监督时序动作定位被引量：1: 5; 作者侯永宏李岳阳郭子慧《天津大学学报（自然科学与工程技术版）》 EI CAS CSCD 北大核心 2023年第1期73-80,共8页; 弱监督时序动作定位旨在于仅在视频级标签的监督下,定位未剪辑视频中的动作时间边界,并识别定位结果所对应的动作类别.由于缺少动作在时间上的标注信息,目前大多数弱监督时序动作定位方法通过聚合具有高激活值的显著动作特征来优化分类... 展开更多; 关键词弱监督学习时序动作定位对比学习类激活序列; 在线阅读下载PDF 职称材料

基于关系建模的弱监督时序动作定位: 6; 作者占永昆杨文飞张天柱《中国科学技术大学学报》 CAS CSCD 北大核心 2021年第10期753-765,共13页; 时序动作定位因其广泛的实际应用成为重要且具有挑战性的方向.由于全监督定位方法需要大量的人力对长视频进行视频帧或视频片段级别的细腻标注,近些年来,弱监督学习受到了越来越多的关注.弱监督动作定位在训练阶段只需提供视频级别类别... 展开更多; 关键词时序动作定位弱监督学习关系建模; 在线阅读下载PDF 职称材料

融合片段对比学习的弱监督动作定位方法: 7; 作者党伟超张磊 +1 位作者高改梅刘春霞《计算机应用》 CSCD 北大核心 2024年第2期548-555,共8页; 针对现有基于注意力机制的弱监督动作定位方法对动作边界处的片段容易错误分类的问题,提出一种融合片段对比学习的弱监督动作定位方法。首先,引入三个分支的注意力机制,分别测量每个视频帧是动作实例、上下文以及背景的可能性;其次,基... 展开更多; 关键词弱监督对比学习时序动作定位注意力机制类激活序列; 在线阅读下载PDF 职称材料

题名双流特征增强与融合的弱监督时序动作定位: 1; 作者刘逸斌高曙陈良臣; 机构武汉理工大学计算机与人工智能学院中国劳动关系学院计算机学院中国科学院信息工程研究所; 出处《计算机应用研究》北大核心 2025年第7期2213-2219,共7页; 基金国家自然科学基金项目(52172327) 国家教育部人文社科项目(18YJA630076) 中国劳动关系学院科研项目(23XYJS016)。; 文摘弱监督时序动作定位旨在仅使用视频级标签对未修剪视频中的动作实例进行分类和定位。现有模型通常直接使用预训练的特征提取器从视频中提取片段级RGB和光流特征,但预提取的片段级视频特征只覆盖短的时间跨度,且没有考虑RGB和光流的互补性和关联性,影响了定位的准确率。为此,提出了双流特征增强与融合的弱监督时序动作定位模型。首先,通过多尺度密集型空洞卷积扩大感受野,使模型能够覆盖多个时间跨度,从而捕捉视频片段间的时序依赖性,获得增强的RGB和光流特征。然后,利用卷积网络自适应提取增强RGB和光流特征中的关键特征进行融合,实现RGB和光流特征的关联互补,进一步丰富视频特征表示,使模型定位效果更加准确。该模型在THUMOS14和ActivityNet1.3数据集上分别达到了73.9%和43.5%的检测精度,优于现有SOTA模型,证明了该模型的有效性。; 关键词弱监督时序动作定位空洞卷积双流融合; Keywords weakly supervision temporal action localization dilated convolution dual-stream fusion; 分类号 TP391.4 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于动作发现与边界预测的时序动作定位: 2; 作者陈乐聪李平曹佳晨; 机构杭州电子科技大学计算机学院; 出处《计算机应用与软件》北大核心 2024年第3期147-155,181,共10页; 基金国家自然科学基金项目(61872122,61502131) 浙江省自然科学基金项目(LY18F020015) CAD&CG国家重点实验室开放课题(A1802)。; 文摘时序动作定位指寻找视频中不同动作实例的开始与结束时间,即时序边界。现有强化学习方法存在重复搜索视频相同内容以及帧级别输入造成语义信息不足的问题,为此提出基于动作发现与边界预测的时序动作定位方法。将动作发现看作强化学习问题,训练视频被重编码为含多个视频单元的序列作为环境(Environment),含记忆模块的智能体(Agent)与具有动作实例移除机制的环境进行交互,进而学会观察视频单元跳过背景而找到动作实例所在单元;将边界预测转化为回归问题,边界预测网络根据智能体发现的视频单元预测对应动作实例的时序边界。实验结果表明,该方法在THUMOS-14上的mAP@0.5相比最新强化学习方法提高6.6%,证实了该方法的优越性能。; 关键词时序动作定位动作发现边界预测智能体强化学习; Keywords Temporal action localization Action spotting Boundary prediction Agent Reinforcement learning; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名多时间尺度一致性的弱监督时序动作定位被引量：3: 3; 作者郭文斌杨兴明蒋哲远吴克伟谢昭; 机构合肥工业大学计算机与信息学院合肥工业大学工业安全与应急技术安徽省重点实验室; 出处《计算机工程与应用》 CSCD 北大核心 2023年第10期151-161,共11页; 基金安徽省重点研究与开发计划(202004d07020004) 安徽省自然科学基金(2108085MF203) 中央高校基本科研业务费专项资金(PA2021GDSK0072,JZ2021HGQA0219)。; 文摘由于弱监督时序动作定位模型使用视频级的标签作为监督信号,模型在识别出动作实例中最具区分性的视频片段时,也会将和视频级标签有关的背景片段误认为是动作,难以产生完整的动作提议。为了进一步检测动作片段,通过分析动作片段在多时间尺度上标记的一致性,提出了一种多时间尺度一致性的弱监督时序动作定位方法。对输入的视频帧提取RGB和光流的特征,设计一种多时间尺度的模块,使用不同尺寸的卷积核建模视频的时序关系。通过估计多时间尺度特征的时间类激活图,并对多分支的时间类激活图进行融合,获得多时间尺度一致性的动作预测标签。为了进一步优化模型预测的动作标签,采用迭代优化策略,在每次迭代中更新预测标签,并为模型训练提供有效的帧级监督信号。在THUMOS14和ActivityNet1.3数据集上进行实验验证,实验结果表明,方法性能优于现有弱监督时序动作定位方法。; 关键词弱监督时序动作定位多时间尺度一致性; Keywords weakly supervised temporal action localization multi-temporal scales consensus; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名特征挖掘与区域增强的弱监督时序动作定位被引量：2: 4; 作者王静王传旭; 机构青岛科技大学信息科学技术学院; 出处《计算机应用研究》 CSCD 北大核心 2023年第8期2555-2560,共6页; 基金国家自然科学基金资助项目(61672305)。; 文摘弱监督时序动作定位旨在定位视频中行为实例的起止边界及识别相应的行为。现有方法尽管取得了很大进展,但依然存在动作定位不完整及短动作的漏检问题。为此,提出了特征挖掘与区域增强(FMRE)的定位方法。首先,通过基础分支计算视频片段之间的相似分数,并以此分数聚合上下文信息,得到更具有区别性的段分类分数,实现动作的完整定位;然后,添加增强分支,对基础分支定位中持续时间较短的动作提案沿时间维度进行动态上采样,进而采用多头自注意机制对动作提案间的时间结构显式建模,促进具有时间依赖关系的动作定位且防止短动作的漏检;最后,在两个分支之间构建伪标签互监督,逐步改进在训练过程中生成动作提案的质量。该算法在THUMOS14和ActivityNet1.3数据集上分别取得了70.3%和40.7%的检测性能,证明了所提算法的有效性。; 关键词时序动作定位逆变换动态采样伪标签互监督多头自注意; Keywords temporal action localization inverse transform dynamic sampling pseudo-label mutual supervision multi-head self-attention; 分类号 TP391.4 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于对比学习的弱监督时序动作定位被引量：1: 5; 作者侯永宏李岳阳郭子慧; 机构天津大学电气自动化与信息工程学院; 出处《天津大学学报（自然科学与工程技术版）》 EI CAS CSCD 北大核心 2023年第1期73-80,共8页; 基金国家自然科学基金资助项目(61906173).; 文摘弱监督时序动作定位旨在于仅在视频级标签的监督下,定位未剪辑视频中的动作时间边界,并识别定位结果所对应的动作类别.由于缺少动作在时间上的标注信息,目前大多数弱监督时序动作定位方法通过聚合具有高激活值的显著动作特征来优化分类损失函数的方式训练动作定位网络,这会导致网络过度关注动作片段的关键部分,忽视了视频中部分难以分类的模糊动作片段,难以保证定位结果的完整性.基于上述问题,提出了一种具有多分支注意力机制的网络框架,分别对视频中的显著动作片段、显著背景片段和难以分类的模糊动作片段进行建模.同时,基于上述的多分支注意力权重,构建了3个相应的时域类激活序列优化动作分类损失函数,使网络能够分离视频中的显著动作特征与显著背景特征.为了使网络捕获更加完整的动作片段,基于对比学习设计了模糊动作对比损失函数,在显著特征的引导下细化视频中的模糊动作特征,使网络能够感知精确的动作时间边界,以避免完整动作的截断现象发生.所提方法在2个主流的弱监督时序动作定位数据集THUMOS-14和ActivityNet-1.2上的定位性能均超过了之前的方法.具体而言,所提方法的定位性能相比于之前的方法在上述两个数据集中分别提升了1.6%和1.3%,充分体现了所提方法的有效性.; 关键词弱监督学习时序动作定位对比学习类激活序列; Keywords weakly supervised learning temporal action localization contrastive learning class activation sequence; 分类号 TP391 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名基于关系建模的弱监督时序动作定位: 6; 作者占永昆杨文飞张天柱; 机构中国科学技术大学未来网络实验室; 出处《中国科学技术大学学报》 CAS CSCD 北大核心 2021年第10期753-765,共13页; 基金 partially supported by National Defense Basic Scientific Research Program(JCKY2020903B002) Strategic Priority Research Program of Chinese Academy of Sciences(No. XDC02050500) +1 种基金 Youth Innovation Promotion Association CAS2018166; 文摘时序动作定位因其广泛的实际应用成为重要且具有挑战性的方向.由于全监督定位方法需要大量的人力对长视频进行视频帧或视频片段级别的细腻标注,近些年来,弱监督学习受到了越来越多的关注.弱监督动作定位在训练阶段只需提供视频级别类别标签,即可定位出视频中动作的区间位置.然而,大多数现存的方法往往只对独立的视频片段进行分类损失约束,而忽略了这些视频片段之间的关系.本文提出一种新的关系感知网络实现了基于弱监督的行为时序定位.通过考虑对视频内和视频间的片段进行关系建模,从而学习出更加鲁棒的视频动作定位特征表示.具体来说,视频内关系模块的目的是使得网络预测出更加完整的动作,而视频间关系模块的目是将动作从高度依赖的背景中分离出来.通过在THUOUS14,ActivityNet1.2/1.3等三个公共基准定位数据集上进行实验,与最新的方法比,我们提出的方法取得了更好的结果.; 关键词时序动作定位弱监督学习关系建模; Keywords temporal action localization weakly-supervised learning relation modeling; 分类号 TP391.8 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

题名融合片段对比学习的弱监督动作定位方法: 7; 作者党伟超张磊高改梅刘春霞; 机构太原科技大学计算机科学与技术学院; 出处《计算机应用》 CSCD 北大核心 2024年第2期548-555,共8页; 基金太原科技大学博士科研启动基金资助项目(20202063) 太原科技大学研究生教育创新项目(SY2022063)。; 文摘针对现有基于注意力机制的弱监督动作定位方法对动作边界处的片段容易错误分类的问题,提出一种融合片段对比学习的弱监督动作定位方法。首先,引入三个分支的注意力机制,分别测量每个视频帧是动作实例、上下文以及背景的可能性;其次,基于得到的注意力值构建对应分支的类激活序列;然后,通过片段挖掘算法构造正负样本对;最后,利用片段对比学习引导网络将模糊片段正确归类。实验结果表明,当交并比(IoU)取值0.5时,在THUMOS14与ActivityNet1.3两个公共数据集上,所提方法的平均检测精度(mAP)分别达到了33.9%和40.1%,相较于DGCNN(Dynamic Graph modeling for weakly-supervised temporal action localization Convolutional Neural Network)弱监督动作定位模型在上述两个数据集上分别提升1.1和2.9个百分点,验证了所提方法的有效性。; 关键词弱监督对比学习时序动作定位注意力机制类激活序列; Keywords weakly-supervised contrastive learning temporal action localization attention mechanism class activation sequence; 分类号 TP391.4 [自动化与计算机技术—计算机应用技术]; 在线阅读下载PDF 职称材料

	题名	作者	出处	发文年	被引量	操作
1	双流特征增强与融合的弱监督时序动作定位	刘逸斌高曙陈良臣	《计算机应用研究》北大核心	2025	0	在线阅读下载PDF 职称材料
2	基于动作发现与边界预测的时序动作定位	陈乐聪李平曹佳晨	《计算机应用与软件》北大核心	2024	0	在线阅读下载PDF 职称材料
3	多时间尺度一致性的弱监督时序动作定位	郭文斌杨兴明蒋哲远吴克伟谢昭	《计算机工程与应用》 CSCD 北大核心	2023	3	在线阅读下载PDF 职称材料
4	特征挖掘与区域增强的弱监督时序动作定位	王静王传旭	《计算机应用研究》 CSCD 北大核心	2023	2	在线阅读下载PDF 职称材料
5	基于对比学习的弱监督时序动作定位	侯永宏李岳阳郭子慧	《天津大学学报（自然科学与工程技术版）》 EI CAS CSCD 北大核心	2023	1	在线阅读下载PDF 职称材料
6	基于关系建模的弱监督时序动作定位	占永昆杨文飞张天柱	《中国科学技术大学学报》 CAS CSCD 北大核心	2021	0	在线阅读下载PDF 职称材料
7	融合片段对比学习的弱监督动作定位方法	党伟超张磊高改梅刘春霞	《计算机应用》 CSCD 北大核心	2024	0	在线阅读下载PDF 职称材料