论文阅读笔记:“Social Adaptive Module for Weakly-supervised Group Activity Recognition”

Social Adaptive Module for Weakly-supervised Group Activity Recognition
核心亮点
SAM(Social Adaptive Module)
对于弱监督GAR,SAM可以自适应地选择具有区分能力的边界框及关键帧。它利用了social 假设,即关键的实例(人或帧)总是高度关联的。

- 整体任务建模:

其中,V1-Vt为输入的帧序列,D(Vt)代表每个帧对应的N个proposal。
- 空间建模函数 F(Vt;D(Vt);W):
首先,对每个帧Vt提取卷积特征图,其次利用RoIAlign来提取个体特征,最后将所有个体特征融合为一个单独的帧级别的向量。在这里,F函数需要在空间域里选择K个具有区分能力的个体特征。
- 时间建模函数O()
我们希望O可以选择K个有效的帧级别的特征表示。
对于两个函数,我们可以进行抽象以得到一个统一的函数M,函数M的作用是学习向量

- 密集关系图
我们通过公式
- 剪枝操作
首先,我们通过公式

- 稀疏关系图

其中
实验部分
- 消融实验

- 对比实验
可以与精度model进行比较

- Post title:论文阅读笔记:“Social Adaptive Module for Weakly-supervised Group Activity Recognition”
- Post author:sixwalter
- Create time:2023-08-05 11:14:26
- Post link:https://coelien.github.io/2023/08/05/paper-reading/paper_reading_049/
- Copyright Notice:All articles in this blog are licensed under BY-NC-SA unless stating additionally.
Comments