کد مقاله کد نشریه سال انتشار مقاله انگلیسی نسخه تمام متن
4968711 1449741 2017 27 صفحه PDF دانلود رایگان
عنوان انگلیسی مقاله ISI
Unsupervised action proposal ranking through proposal recombination
ترجمه فارسی عنوان
پیشنهاد عملکرد غیرقابل پیش بینی از طریق پیشنهاد بازسازی
کلمات کلیدی
پیشنهاد عملکرد رتبه بندی، تشخیص عمل، روش بی نظیر،
ترجمه چکیده
با توجه به پیشنهادات عمل در یک ویدیو، هدف از کار پیشنهادی این است که چند پیشنهاد پیشنهادی بهتر را ارائه دهیم که به درستی رتبه بندی شده اند. در رویکرد ما ابتدا پیشنهاد عملی را به پیشنهاد زیر تقسیم می کنیم و سپس از برنامه ی بهینه سازی نمودار بر اساس برنامه ریزی پویا برای انتخاب ترکیبات بهینه از زیر پیشنهادات از پیشنهاد های مختلف استفاده می کنیم و هر پیشنهاد جدید را نمره ی اختصاص می دهیم. ما یک آشکارساز مبتنی بر تصویر مبتنی بر نظارت جدید ارائه می دهیم که تصویر های وب را جذب می کند و آن را به عنوان یکی از نمرات گره در فرمول بندی نمودار ما استخراج می کند. علاوه بر این، ما اطلاعات حرکت را با برآورد تعداد خطوط حرکت در هر یک از پچ پیشنهاد عمل، ضبط می کنیم. روش پیشنهادی یک روش بی نظیر است که نیازی به حاشیه نویسی جعبه محدود و برچسب های سطوح ویدئویی ندارد، که با انفجار جاری مجموعه داده های عمل در مقیاس بزرگ مطلوب است. رویکرد ما عمومی است و به یک روش پیشنهادی خاص عمل نمی کند. ما رویکرد ما را در تعدادی از مجموعه های داده شده در دسترس و قابل دسترس در دسترس قرار می دهیم و در مقایسه با چند روش رتبه بندی پیشنهادی، عملکرد بهتر را به دست می آوریم. علاوه بر این، ما نشان می دهیم که پیشنهادات به درستی رتبه بندی به طور قابل توجهی بهتر تشخیص عمل در مقایسه با روش های مبتنی بر پیشنهادی دولت است.
موضوعات مرتبط
مهندسی و علوم پایه مهندسی کامپیوتر چشم انداز کامپیوتر و تشخیص الگو
چکیده انگلیسی
Given the action proposals in a video, the goal of the proposed work is to generate a few better action proposals that are ranked properly. In our approach, we first divide action proposal into sub-proposal and then use Dynamic Programming based graph optimization scheme to select the optimal combinations of sub-proposals from different proposals and assign each new proposal a score. We propose a new unsupervised image-based actionness detector that leverages web images and employs it as one of the node scores in our graph formulation. Moreover, we capture motion information by estimating the number of motion contours within each action proposal patch. The proposed method is an unsupervised method that neither needs bounding box annotations nor video level labels, which is desirable with the current explosion of large-scale action datasets. Our approach is generic and does not depend on a specific action proposal method. We evaluate our approach on several publicly available trimmed and untrimmed datasets and obtain better performance compared to several proposal ranking methods. In addition, we demonstrate that properly ranked proposals produce significantly better action detection as compared to state-of-the-art proposal based methods.
ناشر
Database: Elsevier - ScienceDirect (ساینس دایرکت)
Journal: Computer Vision and Image Understanding - Volume 161, August 2017, Pages 42-50
نویسندگان
, , ,