视频素材用于视频理解，AR相关

视频理解是计算机视觉和深度学习的一个重要分支。本书对视频理 解的3个重要领域进行介绍，对于每个领域，本书不仅解释了相关算法 的原理，还梳理了算法演进的脉络。全书共分6章，第1章简要介绍视频 行业的发展历程；第2章回顾经典图像分类模型和RNN；第3章和第4章 介绍动作识别的重要算法；第5章介绍时序动作定位的重要算法；第6章 介绍视频Embedding的重要算法。最后总结了常用的一些视频处理工 具。 本书既适合高等院校人工智能相关专业的本科生和研究生阅读，也 可供视频理解、推荐系统、搜索引擎和计算广告等领域的研究人员和从 业者参考

TimeSformer 这是的正式pytorch实现 。 在此存储库中，我们提供PyTorch代码以训练和测试我们建议的TimeSformer模型。 TimeSformer提供了一个有效的视频分类框架，该框架可以在多个视频动作识别基准（例如Kinetics-400）上达到最新的结果。 如果您发现TimeSformer对您的研究有用，请使用下面的BibTeX条目进行引用。 @misc { bertasius2021spacetime , title = { Is Space-Time Attention All You Need for Video Understanding? } , author = { Gedas Bertasius and Heng Wang and Lorenzo Torresani } , year = { 2021 }

| 英语 PaddleVideo 介绍 PaddleVideo是用于为行业和学术界准备的视频识别，动作本地化和时空动作检测任务的工具集。 该存储库提供了示例和最佳实践指南，用于在视频区域的场景中探索深度学习算法。 我们致力于支持可以大大减少“部署时间”的实验和实用程序。 顺便说一句，这也是视频领域最新PaddlePaddle 2.0的熟练度验证和实现。 特征 先进的模型动物园设计PaddleVideo统一了视频理解任务，包括识别，本地化，时空行为检测等。 借助基于IOC / DI的清晰配置系统，我们设计了一个去耦模块化和可扩展的框架，该框架可以通过组合不同的模块轻松构建自定义网络。 各种数据集和体系架构PaddleVideo支持多个数据集和架构，包括 ，ucf101，YoutTube8M数据集和视频识别模型，诸如TSN，TSM，SlowFast，AttentionLSTM和行动本地化模

PyTorchVideo是一个深度学习库，专注于视频理解工作。 PytorchVideo提供了可重用，模块化和高效的组件，这些组件可加快视频理解研究的速度。 PyTorchVideo使用PyTorch开发，并支持不同的深度学习视频组件，例如视频模型，视频数据集和特定于视频的转换。 用于视频理解研究的深度学习库。 检查网站以获取更多信息。 在Samsung Galaxy S10手机上运行的PyTorchVideo加速X3D模型。 该模型的运行速度比实时速度快约8倍，大约需要130毫秒才能处理一秒钟的视频。 一个基于PyTorchVideo的SlowFast模型，用于执行视频动作检测。 简介PyTorchVideo是一个深度学习库，专注于视频理解工作。 PytorchVideo提供可重复使用的模块化

在 ICCV 2019 上，FAIR 推出了视频理解代码库：PySlowFast。 PySlowfast是一个基于PyTorch的代码库， 让研究者可以轻而易举的复现从基础至前沿的视频识别(Video Classification)和行为检测(Action Detection)算法。 不但如此，PySlowFast代码库同时开源了大量预训练模型(pretrain models)，让研究者省去了反复训练模型的烦恼，可以直接使用FAIR预训练的前沿(cutting edge performance)模型。 自开源后，PySlowFast就一度蝉联GitHub趋势榜前十。 根据其研讨会提供的教程和其开源代码库的信息，PySlowFast不但可以提供视频理解的基线（baseline）模型，还能提供当今前沿的视频理解算法复现。 其算法不单单囊括视频分类（video classification），同时也包括行为检测（Action Classification）算法。与当今开源社区中各种视频识别库复现出参差不齐的性能相比，使用PySlowFast可轻而易举的复现出当今前沿的模型。 这个模型是我在本机训练的。

1.修改后的视频理解TSM源码，一键训练。 2.数据集20bn-jester-v1的27类手势百度网盘下载整理。 3.backbone支持mobilenet-v2,resnet-50,resnet-101

video caption 目的：从一段视频中自动生成一段描述性文字，用以展现视频中的主要特征以及特征之间的关系。 方法：基于视频的特征提取以及循环神经网络的语义生成