VIDEO (LANGUAGE) MODELING: A BASELINE FOR GENERATIVE MODELS OF NATURAL VIDEOS 問題：1、設(shè)計合適...
發(fā)簡信
IP屬地：廣西
-
GENERALIZABLE FEATURES FROM UNSUPERVISED LEARNING
問題：無監(jiān)督學(xué)習(xí)到的特征更好的泛化到監(jiān)督訓(xùn)練分布之外的樣例上。 任務(wù)：通過視頻預(yù)測，將預(yù)測的幀作為分類器的輸入，從而提高行為預(yù)測的精度。 通過視頻預(yù)測生成的圖像進(jìn)行什么任務(wù)？
-
Hybrid Learning of Optical Flow and Next Frame Prediction to Boost Optical Flow in the
問題：CNN-based光流預(yù)測在合成的數(shù)據(jù)上表現(xiàn)很好，但是在真是的場景中表現(xiàn)不好 方法：訓(xùn)練中加入真實(shí)數(shù)據(jù)，進(jìn)行自監(jiān)督的視頻預(yù)測任務(wù)。 改進(jìn)方向：1、動作編碼采用VAE 2...
-
Dual Motion GAN for Future-Flow Embedded Video Prediction
問題： 視頻預(yù)測需要捕捉：1、pixe-wise appearance. 2、motion change。然而現(xiàn)在的方法并不對pixel-wise motion trajec...
-
Pose Guided Person Image Generation
1、給定兩幀的關(guān)節(jié)點(diǎn)位置信息，學(xué)習(xí)到類似光流的轉(zhuǎn)換，應(yīng)用到第一幀的圖像上，生成下一幀？ 2、身份信息并沒有保留？ 生成過程：通過合理地表示生成的意圖控制生成過程。 條件圖像生...
-
Predicting Deeper into the Future of Semantic Segmentation任務(wù): 預(yù)測未來幀的場景分割，給定視頻幀的輸入序列，預(yù)測未觀察到的幀的場景圖。 動機(jī)： 預(yù)測像素值與預(yù)測高層次的場景相比過于復(fù)雜，然而后者對于大多數(shù)應(yīng)用都已經(jīng)足夠。例如軌跡。...
-
DEEP PREDICTIVE CODING NETWORKS FOR VIDEO PREDICTION AND UNSUPERVISED LEARNING編碼-解碼框架不同于： 1、先解碼再編碼。 2、每次對groundtruth和預(yù)測的幀之間的差進(jìn)行編碼，進(jìn)行下一次預(yù)測。 3、多幀預(yù)測時對相鄰兩幀預(yù)測的差(t, t+1)進(jìn)行...
-
Deep Predictive Coding Networks
動機(jī)： 之前的方法都使用固定的先驗(yàn)?zāi)Ｐ腿ヌ崛D像的表示，但是不能根據(jù)數(shù)據(jù)調(diào)整學(xué)到的先驗(yàn)信息。 方法： “top-dowm”信息去改變底層的先驗(yàn)知識，從而進(jìn)行“bottom-u...
-
CortexNet: a Generic Network Family for Robust Visual Temporal Representations
動機(jī)： 前饋網(wǎng)絡(luò)能夠很好的訓(xùn)練靜止圖片的有監(jiān)督任務(wù)，但是不一定適合視頻數(shù)據(jù)。 利用人類視覺系統(tǒng)，構(gòu)建了一個網(wǎng)絡(luò)不僅可以bottom-up前向傳播，還可以top-down反饋傳...
-
Human Trajectory Prediction using Spatially aware Deep Attention Models任務(wù)： 已知N個行人的T個時刻的軌跡信息，預(yù)測接下來時刻他們的軌跡。 優(yōu)點(diǎn)： 既考慮了行人交互間的動態(tài)信息，又考慮了行人與周圍環(huán)境間的靜態(tài)信息。但是方法是其他方法的累加，沒有...
-
Deep Learning Driven Visual Path Prediction from a Single Image論文解決的問題：靜態(tài)場景下估計物體最可能的運(yùn)動軌跡。 Motivation: 用神經(jīng)網(wǎng)絡(luò)，對行人和周圍環(huán)境進(jìn)行建模（空間上下文）和行人的方向建模（時間上下文）。 估計出行人與...
-
-
讀萬卷書·行萬里路·與萬人談·做一件事<br>
-
科技大數(shù)據(jù)自媒體 <br>微信公眾號：景辰(iJingChen) <br>個人微信：iamJingChen QQ：97674798<br>
