主讲人
徐聪(浙江大学-在校学生-工程师学院-硕士生-计算机技术-2019)
论文分享
基于边界匹配的时序动作
BSN&BMN
BSN：在BSN方法中，我们首先去定位时序动作片段的边界（开始节点和结束节点），再将边界节点直接结合成时序提名，然后对每个候选时序提名，基于动作置信度分数序列来提取一个32维度的proposal-level的特征，最后基于所提取的proposal-level的特征来评估时序提名的置信度。
BMN：Boundary-Matching Network for Temporal Action Proposal Generation能够高效地同时给密集分布的大量时序动作提名生成高质量的置信度分数，在算法效率和算法效果上均有明显提升。
文章摘要
传统的时序动作提名大多都是基于滑动窗口的方式，将视频按照不同的尺度划分为一系列窗口，再对这些窗口判断是否包含动作实例。这种方法的缺点是，边界不够精确，会造成只有大量检索proposal才能达到高AR。BSN引入了一种全新的并且非常有效的时序提名生成框架，即先定位时序边界，再基于边界来构成时序提名。基于这样的框架，BSN就能够产生满足(1)时长灵活(2)边界准确(3)评分可靠的时序动作提名。本次分享主要介绍BSN一文提出的网络模型，并对此论文的进阶版BMN做一定讨论。
评论 (0)