- …
- …
#180
summarized by : Yue Qiu
どんな論文か？
従来のRich annotationのVideo認識データセットがHuman actionやSports認識などに限っている．この問題に対応する新たなRich annotationビデオ認識用データセットHolistic Video Understanding Dataset (HVU)を提案．提案データセットを用いてより複雑なMulti-task multi-labelビデオ認識が可能になった．
新規性
①新しい大規模Rich annotationビデオ認識データセットHVUを提案：572k videos; 9 M annotations; 3,457 labels. ②新しい手法Holistic Appearance and Temporal Network (HATNet)を提案：Appearance とTemporal cuesを含めた2次元特徴と3次元特徴の中間表現を結合．
結果
①提案のデータセットHVUで事前学習を行う場合に、Kineticsで事前学習済みのモデルより精度を向上した；②提案のモデルHATNetが複数の既存データセット：HMDB51, UCF101, KineticsなどにおいてSOTAを達成．
その他（なぜ通ったか？等）
大規模Multi-task multi-labelデータセットを提案；深いレベルのビデオ認識に一歩近づけた．
- …
- …