TSM：高效视频理解的时移模块
@inproceedings{lin2019tsm,
title={TSM: Temporal Shift Module for Efficient Video Understanding},
author={Lin, Ji and Gan, Chuang and Han, Song},
booktitle={Proceedings of the IEEE International Conference on Computer Vision},
year={2019}
}
[NEW！]我们更新了online_demo的环境设置，并且应该更容易设置。 检查文件夹尝试！
[NEW！]我们已经在Kinetics上发布了预训练的光流模型。 我们相信预先训练的权重将有助于在其他数据集上训练两个流模型。
[NEW！]我们已经在NVIDIA Je
2022-11-24 18:46:41
194KB
1
RNN和Temporal-ConvNet进行活动识别
，（等额缴纳）
论文代码： （在杂志上接受，2019年）
项目：
抽象的
在这项工作中，我们使用ResNet-101演示了一个强大的基线两流ConvNet。 我们使用此基线来彻底检查RNN和Temporal-ConvNets的使用，以提取时空信息。 基于我们的实验结果，然后我们提出并研究了两个不同的网络，以进一步整合时空信息：1）时域RNN和2）初始样式的Temporal-ConvNet。
我们的分析确定了每种方法的特定局限性，这些局限性可能构成未来工作的基础。 我们在UCF101和HMDB51数据集上的实验结果分别达到了94.1％和69.0％的最新性能，而无需大量的时间增强。
我们如何解决活动识别问题？
演示版
GIF展示了我们的TS-LSTM和“时间-开始”方法的前3个预测结果。 顶部的文本是基本事实，三个文本是每种方法的预
2022-11-13 16:49:33
79.62MB
1
介绍
我们发布了用于在UCF101上微调I3D模型的完整代码（包括培训阶段和测试阶段）。 I3D论文： 。 有关I3D的模型和详细信息，也请参考i3d。
先决条件
软件
Ubuntu 16.04.3 LTS
Python 2.7
CUDA8
CuDNN v6
Tensorflow 1.4.1
硬件
GTX 1080 Ti
怎么跑
1.克隆此仓库
git clone https://github.com/USTC-Video-Understanding/I3D_Finetune
2.下载动力学预训练的I3D模型
为了在UCF101上微调I3D网络，您必须在下载DeepMind提供的Kinetics预训练I3D模型。 具体来说，下载repo并将data/checkpoints文件夹放入我们的I3D_Finetune回购的data I3D_Finetune ：
git clone ht
2021-10-20 11:35:03
767KB
1
| 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
2021-09-17 11:13:10
44.25MB
1