《表1 本文动作识别算法和其他算法m AP(%)对比》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《基于时空信息融合的时序动作定位》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

本文实验评估了在THUMOS'14数据集上重叠Io U阈值在0.3～0.7之间变化时的m AP。如表1所示，CDC获得的结果要好于所有其他先进方法的结果。与建议的CDC模型相比:用FV编码i DTF的系统[18]不能直接从原始视频中学习时空模式来进行预测。基于RNN/LSTM的方法（Yeung等[19]，Yuan等[20]）无法在时间依赖性之外明确捕获运动信息。S-CNN可以有效地捕捉原始视频的时空模型，比其他3种方法的m AP得到了明显的提高，但是仅在段级粒度上进行时序动作定位，缺乏调整候选建议边界的能力。CDC网络通过反卷积操作恢复时间维度上的长度，可以超出段级水平预测确定细粒度的置信度分数，在帧级粒度上进行时序动作定位的检测，因此可以精确定位时间边界。比S-CNN方法在各个阈值上的的m AP提高了0.7%～4.4%。