0

Elaborative Rehearsal for Zero-shot Action Recognition
シーングラフ生成のタスクで既存のVisualGenomeデータセットにおける実験考察をもとに，新たにLSTMを用いた手法を提案。
PDF
Elaborative Rehearsal for Zero-shot Action Recognition
Temporal-Relational CrossTransformers for Few-Shot Action Recognition
CrossTransformerを応用したFew-Shotの行動認識手法の提案。
PDF Code
Temporal-Relational CrossTransformers for Few-Shot Action Recognition
Action Genome: Actions as Composition of Spatio-temporal Scene Graphs
Visual Genomeの動画版のデータセット。
PDF
Action Genome: Actions as Composition of Spatio-temporal Scene Graphs
Completeness Modeling and Context Separation for Weakly Supervised Temporal Action Localization
Predictive Codingで用いた手法を動画にも適用した論文。動画の次の潜在表現を回帰で予測させてあげて，相互情報量の最大化を目指す。
PDF
Completeness Modeling and Context Separation for Weakly Supervised Temporal Action Localization
Graphical Contrastive Losses for Scene Graph Parsing
シーングラフの生成において従来モデルの課題点を指摘した上で，それを改善するための新たなロスを提案し，SoTAを達成。
PDF Code
Graphical Contrastive Losses for Scene Graph Parsing
Long-Term Feature Banks for Detailed Video Understanding
３DCNNでは4秒近くにおける時系列情報しか捉えられない。そこでよりLongTermな情報と組み合わせて考えることでVideoRecognitionの精度が上がりましたよという論文。
PDF
Long-Term Feature Banks for Detailed Video Understanding
MS-TCN: Multi-Stage Temporal Convolutional Network for Action Segmentation
行動認識のタスクにおいて,Temporal Convolutional Networksを複数重ねるMulti-TCNの提案。
PDF Code Slides
MS-TCN: Multi-Stage Temporal Convolutional Network for Action Segmentation
Temporal Cycle-Consistency Learning
異なる動画においても，同じ動作の場合特徴空間上で近くなるように学習させることで，似た動作の動画同士を同期できるようなマッチングを実現。
PDF
Temporal Cycle-Consistency Learning
VideoBERT: A Joint Model for Video and Language Representation Learning
多くのモデルでVisionとLanguageでネットワークをそれぞれ用意して同時に学習させていた部分を，Bertを応用することでマルチモーダルに事前学習させる方法。
PDF
VideoBERT: A Joint Model for Video and Language Representation Learning
Neural Motifs: Scene Graph Parsing with Global Context
シーングラフ生成のタスクで既存のVisualGenomeデータセットにおける実験考察をもとに，新たにLSTMを用いた手法を提案。
PDF Code
Neural Motifs: Scene Graph Parsing with Global Context