亚洲男人的天堂2018av,欧美草比,久久久久久免费视频精选,国色天香在线看免费,久久久久亚洲av成人片仓井空

題目： Video Description: A Survey of Methods, Datasets, and Evaluation Metrics

簡介： 視頻描述是對給定視頻內容自動生成描述語言。它在人機交互中具有應用程序，可幫助視障人士和視頻字幕。過去幾年中，由于深度學習在計算機視覺和自然語言處理方面取得了空前的成功，因此該領域的研究激增。文獻中已經提出了許多方法，數據集和評估指標，這要求進行全面調查以將研究工作集中在這個蓬勃發展的新方向上。本文通過重點研究深度學習模型的最新方法來填補這一空白。比較基準數據集的域，類數和存儲庫大小；并確定各種評估指標（例如SPICE，CIDEr，ROUGE，BLEU，METEOR和WMD）的優缺點。經典的視頻描述方法將主語，賓語和動詞檢測與基于模板的語言模型相結合，以生成句子。但是，大型數據集的發布表明，這些方法無法應對不受約束的開放域視頻的多樣性。古典方法之后是很短的統計方法時代，很快就被深度學習所取代，后者是視頻描述中的最新技術。我們的調查顯示，盡管發展迅速，但由于以下原因，視頻描述研究仍處于起步階段：視頻描述模型的分析具有挑戰性，因為難以確定對視覺特征的準確性或誤差的貢獻。最終描述中采用的語言模型。現有的數據集既不包含足夠的視覺多樣性，也不包含語言結構的復雜性。最后，當前的評價指標未能衡量機器生成的描述與人類描述之間的一致性。

智能視頻監控(IVS)是當前計算機視覺和機器學習領域的一個活躍研究領域，為監控操作員和取證視頻調查者提供了有用的工具。人的再識別(PReID)是IVS中最關鍵的問題之一，它包括識別一個人是否已經通過網絡中的攝像機被觀察到。PReID的解決方案有無數的應用，包括檢索顯示感興趣的個體的視頻序列，甚至在多個攝像機視圖上進行行人跟蹤。文獻中已經提出了不同的技術來提高PReID的性能，最近研究人員利用了深度神經網絡(DNNs)，因為它在類似的視覺問題上具有令人信服的性能，而且在測試時執行速度也很快。鑒于再識別解決方案的重要性和廣泛的應用范圍，我們的目標是討論在該領域開展的工作，并提出一項最先進的DNN模型用于這項任務的調查。我們提供了每個模型的描述以及它們在一組基準數據集上的評估。最后，我們對這些模型進行了詳細的比較，并討論了它們的局限性，為今后的研究提供了指導。

論文題目： Deep Learning in Video Multi-Object Tracking: A Survey

論文摘要： 多目標跟蹤（MOT）的問題在于遵循序列中不同對象（通常是視頻）的軌跡。 近年來，隨著深度學習的興起，提供解決此問題的算法得益于深度模型的表示能力。 本文對采用深度學習模型解決單攝像機視頻中的MOT任務的作品進行了全面的調查。 確定了MOT算法的四個主要步驟，并對這些階段的每個階段如何使用深度學習進行了深入的回顧。 還提供了對三個MOT數據集上提出的作品的完整實驗比較，確定了表現最好的方法之間的許多相似之處，并提出了一些可能的未來研究方向。

多目標跟蹤(MOT)的問題在于在一個序列中跟蹤不同目標的軌跡，通常是視頻。近年來，隨著深度學習的興起，為這一問題提供解決方案的算法受益于深度模型的表示能力。本文對利用深度學習模型解決單攝像機視頻MOT任務的作品進行了全面的綜述。提出了MOT算法的四個主要步驟，并對深度學習在每個階段的應用進行了深入的回顧。本文還對三種MOTChallenge數據集上的現有工作進行了完整的實驗比較，確定了一些最優的方法之間的相似性，并提出了一些可能的未來研究方向。

零樣本動作識別是近年來備受關注的研究領域，針對圖像和視頻中物體、事件和動作的識別提出了多種方法。由于收集、注釋和標記視頻是一項困難而費力的任務，因此需要一些方法來將實例從模型訓練中不存在的類中分類，特別是在復雜的自動視頻理解任務中。我們發現在文獻中有許多可用的方法，然而，很難對哪些技術可以被認為是最先進的技術進行分類。盡管有一些關于靜止圖像零樣本動作識別的調研和實驗，但是沒有針對視頻的研究。因此，在這篇文章中，我們提出了一個調查的方法，包括技術進行視覺特征提取和語義特征提取，以及學習這些特征之間的映射，特別是零鏡頭動作識別的視頻。我們還提供了一個完整的數據集，實驗和協議的描述，提出了開放的問題和未來的工作方向，這對計算機視覺研究領域的發展至關重要。

題目： Deep Learning in Video Multi-Object Tracking: A Survey

簡介： 多對象跟蹤（MOT）的問題在于遵循序列中不同對象（通常是視頻）的軌跡。 近年來，隨著深度學習的興起，提供解決此問題的算法得益于深度模型的表示能力。 本文對采用深度學習模型解決單攝像機視頻中的MOT任務的作品進行了全面的調查。 確定了MOT算法的四個主要步驟，并對這些階段的每個階段如何使用深度學習進行了深入的回顧。 還提供了對三個MOTChallenge數據集上提出的作品的完整實驗比較，確定了表現最好的方法之間的許多相似之處，并提出了一些可能的未來研究方向。

題目： Understanding Deep Learning Techniques for Image Segmentation

簡介： 機器學習已被大量基于深度學習的方法所淹沒。各種類型的深度神經網絡（例如卷積神經網絡，遞歸網絡，對抗網絡，自動編碼器等）有效地解決了許多具有挑戰性的計算機視覺任務，例如在不受限制的環境中對對象進行檢測，定位，識別和分割。盡管有很多關于對象檢測或識別領域的分析研究，但相對于圖像分割技術，出現了許多新的深度學習技術。本文從分析的角度探討了圖像分割的各種深度學習技術。這項工作的主要目的是提供對圖像分割領域做出重大貢獻的主要技術的直觀理解。從一些傳統的圖像分割方法開始，本文進一步描述了深度學習對圖像分割域的影響。此后，大多數主要的分割算法已按照專用于其獨特貢獻的段落進行了邏輯分類。