論文の概要: Energy-based Periodicity Mining with Deep Features for Action Repetition
Counting in Unconstrained Videos
- arxiv url: http://arxiv.org/abs/2003.06838v1
- Date: Sun, 15 Mar 2020 14:21:18 GMT
- ステータス: 処理完了
- システム内更新日: 2022-12-23 09:06:48.492467
- Title: Energy-based Periodicity Mining with Deep Features for Action Repetition
Counting in Unconstrained Videos
- Title（参考訳）: 非拘束ビデオにおける動作反復計数のための深い特徴を有するエネルギーベース周期性マイニング
- Authors: Jianqin Yin and Yanchun Wu and Huaping Liu and Yonghao Dang and Zhiyi
Liu and Jun Liu
- Abstract要約: 行動反復カウントとは、ある行動における反復運動の発生時刻を推定することである。
本稿では,前処理をせず,任意の周期性行動に適用可能な,従来の方法よりも2つの面で優れた新しい手法を提案する。
- 参考スコア（独自算出の注目度）: 17.00863997561408
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: Action repetition counting is to estimate the occurrence times of the
repetitive motion in one action, which is a relatively new, important but
challenging measurement problem. To solve this problem, we propose a new method
superior to the traditional ways in two aspects, without preprocessing and
applicable for arbitrary periodicity actions. Without preprocessing, the
proposed model makes our method convenient for real applications; processing
the arbitrary periodicity action makes our model more suitable for the actual
circumstance. In terms of methodology, firstly, we analyze the movement
patterns of the repetitive actions based on the spatial and temporal features
of actions extracted by deep ConvNets; Secondly, the Principal Component
Analysis algorithm is used to generate the intuitive periodic information from
the chaotic high-dimensional deep features; Thirdly, the periodicity is mined
based on the high-energy rule using Fourier transform; Finally, the inverse
Fourier transform with a multi-stage threshold filter is proposed to improve
the quality of the mined periodicity, and peak detection is introduced to
finish the repetition counting. Our work features two-fold: 1) An important
insight that deep features extracted for action recognition can well model the
self-similarity periodicity of the repetitive action is presented. 2) A
high-energy based periodicity mining rule using deep features is presented,
which can process arbitrary actions without preprocessing. Experimental results
show that our method achieves comparable results on the public datasets YT
Segments and QUVA.
- Abstract（参考訳）: アクション反復計数(Action repetition counting)とは、1つのアクションにおける反復運動の発生時刻を推定することであり、これは比較的新しい、重要な、そして難しい測定問題である。
そこで本研究では, 従来の2つの側面において, 事前処理を行わず, 任意の周期性行動に適用可能な新しい手法を提案する。
提案手法は,前処理を行なわずに実応用に便利であり,任意の周期性作用を処理することにより,実環境に適合する。
In terms of methodology, firstly, we analyze the movement patterns of the repetitive actions based on the spatial and temporal features of actions extracted by deep ConvNets; Secondly, the Principal Component Analysis algorithm is used to generate the intuitive periodic information from the chaotic high-dimensional deep features; Thirdly, the periodicity is mined based on the high-energy rule using Fourier transform; Finally, the inverse Fourier transform with a multi-stage threshold filter is proposed to improve the quality of the mined periodicity, and peak detection is introduced to finish the repetition counting.
私たちの作品は2つあります。
1) 行動認識のために抽出された深い特徴が反復行動の自己相似周期性をうまくモデル化できる重要な知見を提示する。
2) 深い特徴量を用いた高エネルギー周期性マイニングルールが提示され, 事前処理をせずに任意のアクションを処理できる。
実験の結果,提案手法は公開データセットYT Segments と QUVA で比較した結果が得られた。
関連論文リスト
- Efficient Action Counting with Dynamic Queries [31.833468477101604]
線形計算複雑性を伴う繰り返し動作サイクルをローカライズするために,アクションクエリ表現を用いた新しい手法を提案する。
静的なアクションクエリとは異なり、このアプローチは動的に動画機能をアクションクエリに埋め込み、より柔軟で一般化可能な表現を提供する。
提案手法は, 従来よりも特に, 長時間の映像シーケンス, 見えない動作, 様々な速度での動作において, 顕著に優れていた。
論文 参考訳（メタデータ） (2024-03-03T15:43:11Z) - Graph Spatiotemporal Process for Multivariate Time Series Anomaly
Detection with Missing Values [67.76168547245237]
本稿では,グラフ時間過程と異常スコアラを用いて異常を検出するGST-Proという新しいフレームワークを提案する。
実験結果から,GST-Pro法は時系列データ中の異常を効果的に検出し,最先端の手法より優れていることがわかった。
論文 参考訳（メタデータ） (2024-01-11T10:10:16Z) - GaitFormer: Revisiting Intrinsic Periodicity for Gait Recognition [6.517046095186713]
歩行認識は、外見情報に頼るのではなく、ビデオレベルの人間のシルエットを分析することで、異なる歩行パターンを区別することを目的としている。
これまでの研究は主に局所的あるいはグローバルな時間的表現の抽出に重点を置いてきた。
本稿では,周期的特性と歩行パターンの微細な時間依存性を生かした,TPA (Temporal Periodic Alignment) と呼ばれるプラグイン・アンド・プレイ戦略を提案する。
論文 参考訳（メタデータ） (2023-07-25T05:05:07Z) - Diffusion Action Segmentation [63.061058214427085]
本稿では,このような反復的洗練の本質的な精神を共用した拡散モデルによる新しい枠組みを提案する。
このフレームワークでは、入力された映像の特徴を条件としてランダムノイズから行動予測を反復的に生成する。
論文 参考訳（メタデータ） (2023-03-31T10:53:24Z) - Spatio-Temporal Point Process for Multiple Object Tracking [30.041104276095624]
多重オブジェクト追跡(MOT)は、連続するフレーム間の検出対象の関係をモデル化し、それらを異なる軌道にマージすることに焦点を当てている。
本稿では,物体を軌道に関連付ける前に,ノイズを効果的に予測し,マスクアウトし,検出結果を混乱させる新しいフレームワークを提案する。
論文 参考訳（メタデータ） (2023-02-05T18:14:08Z) - Time Series Anomaly Detection by Cumulative Radon Features [32.36217153362305]
本研究は,分布距離測定と組み合わせた場合,浅部特徴が十分であると主張する。
提案手法は,各時系列を高次元的特徴分布としてモデル化する。
累積ラドン特徴量を用いて各時系列をパラメータ化することにより、正規時系列の分布を効率的に効果的にモデル化できることを示す。
論文 参考訳（メタデータ） (2022-02-08T18:58:53Z) - Sequence-to-Sequence Modeling for Action Identification at High Temporal
Resolution [9.902223920743872]
高時間分解能でラベル付けされた微妙な短時間動作を含む新しい行動認識ベンチマークを導入する。
セグメント化に基づく現在の最先端モデルでは,これらのデータに適用した場合,ノイズの予測が可能であることを示す。
本稿では,音声認識技術に触発された高精度な行動識別手法を提案する。
論文 参考訳（メタデータ） (2021-11-03T21:06:36Z) - On Contrastive Representations of Stochastic Processes [53.21653429290478]
プロセスの表現を学習することは、機械学習の新たな問題である。
本手法は,周期関数,3次元オブジェクト,動的プロセスの表現の学習に有効であることを示す。
論文 参考訳（メタデータ） (2021-06-18T11:00:24Z) - Learning Salient Boundary Feature for Anchor-free Temporal Action
Localization [81.55295042558409]
時間的行動のローカライゼーションはビデオ理解において重要な課題である。
純粋にアンカーフリーな時間的定位法を初めて提案する。
このモデルには,(i)エンドツーエンドのトレーニング可能な基本予測器,(ii)サリエンシベースのリファインメントモジュール,(iii)いくつかの一貫性制約が含まれている。
論文 参考訳（メタデータ） (2021-03-24T12:28:32Z) - Collaborative Distillation in the Parameter and Spectrum Domains for
Video Action Recognition [79.60708268515293]
本稿では,行動認識のための小型かつ効率的なネットワークの訓練方法について検討する。
周波数領域における2つの蒸留戦略,すなわち特徴スペクトルとパラメータ分布蒸留を提案する。
提案手法は,同じバックボーンを持つ最先端の手法よりも高い性能を実現することができる。
論文 参考訳（メタデータ） (2020-09-15T07:29:57Z) - Context-aware and Scale-insensitive Temporal Repetition Counting [60.40438811580856]
時間的反復カウントは、与えられた反復行動のサイクル数を推定することを目的としている。
既存のディープラーニング手法は、実生活における複雑な反復行動に対して無効である固定された時間スケールで繰り返し動作が実行されると仮定する。
本稿では,未知かつ多様なサイクル長による繰り返しカウントの課題に対処するための文脈認識・スケール非感性フレームワークを提案する。
論文 参考訳（メタデータ） (2020-05-18T05:49:48Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。