Robust Character Labeling in Movie Videos: Data Resources and Self-supervised Feature Adaptation
University of Southern California(南加州大学)
鲁棒的人脸聚类是实现媒体中视觉角色刻画的计算理解的重要一步。长格式内容的人脸聚类是具有挑战性的,因为外观的变化和缺乏支持的大规模标记数据。我们在本文中的工作集中在这个问题的两个关键方面:缺乏特定领域的训练或基准数据集,以及将在Web图像上学习的人脸嵌入适应于长格式内容,特别是电影。首先,我们展示了一个包含240部好莱坞电影中超过169,000个面部轨迹的数据集,其中包含关于一对面部轨迹是否属于相同或不同角色的弱标签。我们提出了一个离线算法的基础上最近邻搜索嵌入空间挖掘这些轨道的硬例子。然后,我们研究三重损失和基于多视图相关性的方法,以适应人脸嵌入硬的例子。我们的实验结果突出了弱标记数据对特定领域特征自适应的有用性。总的来说,我们发现,基于多视图相关性的自适应产生更多的歧视性和鲁棒性的人脸嵌入。它在下游人脸验证和聚类任务上的性能与该领域的最新成果相当。我们还提出了帆船电影字符基准语料库开发,以增强现有的基准。它由不同种族的演员组成,并为后续的错误分析提供了面部质量标签。我们希望在这项工作中开发的大规模数据集可以进一步推进视频中的自动字符标记。所有资源都可以在https://sail.usc.edu/~ccmi/multiface上免费获得。
2022-02-25 cs.CV eess.IV
MovieCuts: A New Dataset and Benchmark for Cut Type Recognition
King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);Adobe Research(Adobe研究院);Meta Reality Labs(Meta现实实验室)
理解电影及其结构模式是解码视频编辑工艺的关键任务。虽然以前的作品已经开发了用于一般分析的工具,例如在镜头级别检测字符或识别电影摄影属性,但很少有人致力于了解最基本的视频编辑,即剪切。本文介绍了切割类型识别任务,这需要建模的多模态信息。为了激发这项新任务的研究,我们构建了一个名为MovieCuts的大规模数据集,其中包含173,967个视频剪辑,这些视频剪辑被标记为电影行业专业人士定义的十种剪切类型。我们基准一组视听方法,包括一些处理问题的多模态性质。我们最好的模型达到了47.7%mAP,这表明这项任务具有挑战性,并且实现高度准确的切割类型识别是一个开放的研究问题。自动剪切类型识别的进步可以为视频编辑行业带来新的体验,例如教育电影分析、视频重新编辑、虚拟电影摄影、机器辅助预告片生成、机器辅助视频编辑等。我们的数据和代码是公开的:https://github.com/PardoAlejo/MovieCuts}{https://github.com/PardoAlejo/MovieCuts.
2022-10-24 cs.CV
Detecting and Tracking Small and Dense Moving Objects in Satellite Videos: A Benchmark
National University of Defense Technology(国防科技大学);University of Oxford(牛津大学);Sun Yat-sen University(中山大学)
卫星摄像机可以对大范围区域进行连续观测,这对许多遥感应用都很重要。然而,由于目标外观信息不足和缺乏高质量的数据集,实现卫星视频中的运动目标检测和跟踪仍然具有挑战性。在本文中,我们首先建立了一个大规模的卫星视频数据集与丰富的注释的任务,运动目标检测和跟踪。该数据集由吉林一号卫星星座收集,由47个高质量视频组成,其中包含1,646,038个用于目标检测的感兴趣实例和3,711个用于目标跟踪的轨迹。然后,我们引入了一个运动建模基线,以提高检测率和减少基于累积多帧差分和鲁棒矩阵完成虚警。最后,我们建立了第一个公共基准移动目标检测和跟踪卫星视频,并广泛评估我们的数据集上的几个代表性的方法的性能。还提供了全面的实验分析和有见地的结论。该数据集可在https://github.com/QingyongHu/VISO上获得。
2021-11-25 cs.CV
Using Descriptive Video Services to Create a Large Data Source for Video Annotation Research
Université de Montréal(蒙特利尔大学);École Polytechnique de Montéral(蒙特利尔综合理工学院);Université de Sherbrooke(舍布鲁克大学)
在这项工作中,我们介绍了一个数据集的视频注释高质量的自然语言短语描述的视觉内容在一个给定的时间段。我们的数据集基于描述性视频服务(DVS),该服务现在被编码在许多数字媒体产品(如DVD)上。DVS是一种为视障人士而设的音频解说,描述电影中的视觉元素和动作。它在时间上与电影对齐,并与原始电影配乐混合。我们描述了一个自动的DVS分割和对齐方法的电影,使我们能够扩大收集的DVS派生的数据集,以最小的人为干预。使用这种方法,我们已经收集了最大的DVS衍生数据集的视频描述,我们知道。我们的数据集目前包括来自92张DVD的超过84.6小时的配对视频/句子,并且还在增长。
2015-03-03 cs.AI cs.CV
Moviescope: Large-scale Analysis of Movies using Multiple Modalities
University of Virginia(弗吉尼亚大学);Microsoft(微软)
电影媒体是一种丰富的艺术表现形式。与摄影和短视频不同,电影包含一个故意复杂和错综复杂的故事情节,以吸引观众。在本文中,我们提出了一个大规模的研究比较的有效性的视觉,音频,文本和元数据为基础的功能,预测高层次的信息,如电影的类型或估计的预算。我们证明了基于内容的方法在这一领域中的有用性,与深度学习时代基于人类和基于元数据的预测相比。此外,我们提供了一个全面的研究时间特征聚合方法表示视频和文本,并发现简单的池操作是有效的,在这一领域。我们还表明,在何种程度上不同的模式是相互补充的。为此,我们还介绍了Moviescope,这是一个新的大规模数据集,包含5,000部电影,以及相应的电影预告片(视频+音频),电影海报(图像),电影情节(文本)和元数据。
2019-08-08 cs.CV
MAD: A Scalable Dataset for Language Grounding in Videos from Movie Audio Descriptions
King Abdullah University of Science and Technology (KAUST)(阿卜杜拉国王科技大学(KAUST));Adobe Research(奥多比研究院)
最近对视频语言研究的兴趣越来越大,推动了大规模数据集的发展,这些数据集支持数据密集型机器学习技术。相比之下,在评估这些数据集对视频语言基础任务的适用性方面所做的努力有限。最近的工作已经开始发现这些数据集的重大局限性,这表明最先进的技术通常过拟合隐藏的数据集偏差。在这项工作中,我们提出了MAD(电影音频描述),一个新的基准,从现有的视频数据集与文本注释增强的范式出发,并专注于爬行和对齐主流电影的可用音频描述。MAD包含超过384,000个自然语言句子,这些句子基于超过1,200小时的视频,并显着减少了目前诊断的视频语言基础数据集的偏见。MAD的收集策略实现了一种新颖且更具挑战性的视频语言基础版本,其中短时间的时刻(通常为几秒钟长)必须准确地在长达三个小时的各种长格式视频中扎根。我们已经在https://github.com/Soldelli/MAD上发布了MAD的数据和基线代码。
2022-03-28 cs.AI cs.CV
VideoClusterNet: Self-Supervised and Adaptive Face Clustering For Videos
Flawless AI(无瑕人工智能公司)
针对视频人脸聚类中通用模型适配差、传统聚类需调参及缺乏电影基准的问题,提出自监督适配的VideoClusterNet方法与无参数聚类算法,构建MovieFaceCluster数据集,在多数据集上取得优异性能。
2024-09-18 cs.CV
Knowledge Enhanced Model for Live Video Comment Generation
Renmin University of China(中国人民大学);Columbia University(哥伦比亚大学)
针对现有直播视频评论生成研究忽略长视频的问题,本文构建了MovieLC长视频直播评论数据集,提出融入外部知识的预训练编解码知识增强生成模型,经实验验证有效,相关数据和代码将开源。
2023-04-28 cs.CV cs.MM
Investigating Video Reasoning Capability of Large Language Models with Tropes in Movies
National Taiwan University(台湾大学);Columbia University(哥伦比亚大学);MobileDrive Technology(魔驾科技)
本文提出电影叙事套路数据集TiM,用于评估大语言模型的抽象感知与长程组合推理能力,并通过FEVoRI和ConQueR增强视觉编程,显著提升性能但仍低于人类水平。
2024-06-16 cs.CL cs.CV cs.LG
Condensed Movies: Story Based Retrieval with Contextual Embeddings
University of Oxford(牛津大学)
我们在这项工作中的目标是长期的了解电影的叙事结构。而不是考虑整个电影,我们建议从电影的“关键场景”中学习,提供一个浓缩的完整故事情节。为此,我们做出了以下三个贡献:(i)我们创建了由超过3 K电影的关键场景组成的浓缩电影数据集(CMD):每个关键场景都伴随着场景的高级语义描述,人物面部轨迹和关于电影的元数据。该数据集是可扩展的,可从YouTube自动获取,任何人都可以免费下载和使用。它也是一个数量级大于现有的电影数据集的电影数量;(ii)我们提供了一个深度网络基线的文本到视频检索我们的数据集,结合字符,语音和视觉线索到一个单一的视频嵌入;最后(iii)我们演示了如何从其他视频剪辑的上下文的添加提高检索性能。
2020-10-22 cs.CV
MovieGraphs: Towards Understanding Human-Centric Situations from Videos
University of Toronto(多伦多大学);Vector Institute(向量研究所);Montreal Institute for Learning Algorithms(蒙特利尔学习算法研究所)
人们对人工智能越来越感兴趣,以建立社会智能机器人。这就要求机器有能力“阅读”人们的情绪、动机和其他影响行为的因素。为了实现这一目标,我们引入了一个新的数据集,称为MovieGraphs,它提供了详细的,基于图形的注释的电影剪辑中描绘的社会情况。每个图由几种类型的节点组成,以捕获剪辑中存在的人、他们的情感和身体属性、他们的关系(即,父母/孩子),以及他们之间的互动。大多数交互都与提供额外细节的主题以及提供行动动机的原因相关联。此外,大多数交互和许多属性都基于带有时间戳的视频。我们对数据集进行了全面的分析,展示了场景的不同社交方面之间以及随着时间的推移跨场景之间有趣的常识相关性。我们提出了一种用图查询视频和文本的方法,并表明:1)我们的图包含丰富和足够的信息来总结和定位每个场景; 2)子图允许我们在抽象层次上描述情况,并检索多个语义相关的情况。我们还提出了通过排序和原因理解来理解交互的方法。MovieGraphs是第一个专注于以人为中心的情况的推断属性的基准,并为社会智能人工智能智能体开辟了一条令人兴奋的道路。
2018-04-15 cs.CV
Beat-Event Detection in Action Movie Franchises
虽然最近在时间定位和识别视频中特定人类动作或活动方面取得了重要进展,但有效检测和分类属于语义定义类别(例如“追求”或“浪漫”)的长视频块仍然具有挑战性。我们引入了一个新的数据集,动作电影特许经营权,由好莱坞动作电影特许经营权的集合组成。我们定义了11个非排他性的语义类别-称为节拍类别-这些类别足够广泛,可以覆盖大部分电影片段。相应的节拍事件被标注为视频shots组,可能overlapping.We提出了一种方法用于本地化节拍事件的基础上分类到节拍categories和学习镜头之间的时间约束。我们表明,时间约束显着提高分类性能。我们建立了一个评估协议的节拍事件定位以及拍摄分类,这取决于是否从同一专营权的电影是存在或不存在于训练数据。
2015-08-15 cs.CV
Hierarchical Self-supervised Representation Learning for Movie Understanding
Amazon(亚马逊公司);Meta AI;AWS AI Labs(AWS人工智能实验室)
大多数自监督视频表示学习方法都集中在动作识别上。相比之下,在本文中,我们专注于电影理解的自监督视频学习,并提出了一种新的分层自监督预训练策略,该策略分别预训练我们的分层电影理解模型的每个级别(基于[37])。具体来说,我们建议使用对比学习目标来预训练低级别的视频骨干,同时使用事件掩码预测任务来预训练更高级别的视频上下文,这使得能够使用不同的数据源来预训练层次结构的不同级别。我们首先表明,我们的自我监督预训练策略是有效的,并导致VidSitu基准测试[37]上所有任务和指标的性能提高(例如,将语义角色预测从47%提高到61%CIDER分数)。我们进一步证明了我们的情境化事件特征在LVU任务上的有效性[54],无论是单独使用还是与实例特征结合使用,都显示了它们的互补性。
2022-04-06 cs.CV
Video Individual Counting for Moving Drones
Sun Yat-sen University(中山大学);Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳));Hong Kong University of Science and Technology(香港科学大学);City University of Hong Kong(香港城市大学)
提出 MovingDroneCrowd 数据集和 SDNet 网络,通过深度跨帧注意力模块估计共享密度图并推导流入流出密度图,解决移动无人机在拥挤场景中的视频个体计数问题。
2025-07-14 cs.CV cs.RO
Learning Language-Visual Embedding for Movie Understanding with Natural-Language
Disney Research Pittsburgh(迪士尼研究院匹兹堡分院);Max Planck Institute for Informatics(马克斯·普朗克信息学研究所)
学习联合语言视觉嵌入具有许多非常吸引人的特性,并且可以导致各种实际应用,包括自然语言图像/视频注释和搜索。在这项工作中,我们研究了三种不同的联合语言视觉神经网络模型架构。我们在大规模LSMDC 16电影数据集上评估我们的模型以执行两项任务:1)视频注释和检索的标准排名2)我们提出的电影多项选择测试。该测试有助于基于人类活动的自然语言视频注释的视觉语言模型的自动评估。除了作为LSMDC 16的一部分提供的原始音频描述(AD)字幕外,我们还收集并将提供a)使用Amazon MTurk手动生成的字幕改写b)基于“Knowlywood”(一种活动知识挖掘模型)自动生成的“谓词+对象”(PO)短语中的人类活动元素。我们最好的模型在1000个样本的子集上,在注释上的Recall@10为19.2%,在视频检索任务上的Recall@10为18.9%。对于多项选择测试,我们的最佳模型在整个LSMDC 16公共测试集上的准确率达到58.11%。
2016-09-26 cs.CV
A Dataset for Movie Description
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所);UC Berkeley(加州大学伯克利分校);ICSI(国际计算机科学研究所)
描述性视频服务(DVS)提供电影的语言描述,并允许视障人士与同龄人一起观看电影。这样的描述主要是视觉设计,因此自然形成了一个有趣的数据源计算机视觉和计算语言学。在这项工作中,我们提出了一种新的数据集,其中包含转录的DVS,这是时间上对齐的全长高清电影。此外,我们还收集了对齐的电影剧本,已在以前的工作和比较两个不同的描述来源。电影描述数据集包含来自72部高清电影的超过54,000个句子和视频片段的并行语料库。我们通过对不同的生成视频描述的方法进行基准测试来表征数据集。将DVS与脚本进行比较,我们发现DVS更加直观,并且精确地描述了所显示的内容,而不是根据电影制作之前创建的脚本应该发生的内容。
2015-01-12 cs.CL cs.CV cs.IR
SDM-Car: A Dataset for Small and Dim Moving Vehicles Detection in Satellite Videos
School of Computer Science, Wuhan University(武汉大学计算机学院);School of Computer Science and Engineering, Nanyang Technological University(南洋理工大学计算机科学与工程学院);State Key Laboratory of Information Engineering in Surveying, Mapping and Remote Sensing, Wuhan University(武汉大学测绘遥感信息工程国家重点实验室)
针对卫星视频中低辐射暗弱运动车辆标注不足导致检测效果差的问题,构建了包含99个高质量视频的SDM-Car数据集,并提出基于图像增强和注意力机制的基准方法以提升暗弱车辆检测精度。
2024-12-24 cs.CV
Audio Match Cutting: Finding and Creating Matching Audio Transitions in Movies and Videos
Dolby Laboratories(杜比实验室)
本文提出一种自监督音频表示和从粗到细的匹配流程,用于自动查找并创建电影和视频中的音频匹配剪辑,并标注数据集、评估多种表示与混合方法,实现平滑音频转场。
2024-08-20 cs.LG cs.SD eess.AS
Video Individual Counting and Tracking from Moving Drones: A Benchmark and Methods
School of Computer Science and Engineering, Sun Yat-sen University(中山大学计算机科学与工程学院);school of Computer Science and Engineering, Hong Kong University of Science and Technology(香港科学与技术大学计算机科学与工程学院);Department of Computer Science, City University of Hong Kong(香港城市大学计算机科学系);School of Computer Science and Technology, Harbin Institute of Technology (Shenzhen)(哈尔滨工业大学(深圳)计算机科学与技术学院);Chinese University of Hong Kong(香港中文大学)
针对大规模密集人群场景,提出移动无人机视频数据集MovingDroneCrowd++,并设计基于最优传输和描述子投票的计数与跟踪方法GD3A和DVTrack,显著降低计数误差并提升跟踪精度。
2026-09-07 cs.CV
Movie Description
Max Planck Institute for Informatics(马克斯·普朗克信息学研究所);ICSI(国际计算机科学研究所);UC Berkeley(加州大学伯克利分校);Disney Research(迪士尼研究中心);École Polytechnique de Montréal(蒙特利尔理工学院);Université de Sherbrooke(舍布鲁克大学);Twitter(推特);Université de Montréal(蒙特利尔大学)
音频描述(AD)提供电影的语言描述,并允许视障人士与同龄人一起观看电影。这样的描述主要是视觉设计,因此自然形成了一个有趣的数据源计算机视觉和计算语言学。在这项工作中,我们提出了一个新的数据集,其中包含转录的广告,这是时间上对齐的全长电影。此外,我们还收集和对齐电影脚本中使用的先前的工作,并比较两个来源的描述。大规模电影描述挑战赛(LSMDC)总共包含来自202部电影的118,114个句子和视频剪辑的平行语料库。首先,我们通过对生成视频描述的不同方法进行基准测试来表征数据集。比较广告和剧本,我们发现广告确实更直观,准确地描述了电影所展示的内容,而不是根据电影制作前的剧本所应该发生的事情。此外,我们提出并比较了几个团队的结果,他们参加了在ICCV 2015研讨会“描述和理解视频和大规模电影描述挑战(LSMDC)”的背景下组织的挑战。
2016-05-12 cs.CL cs.CV
AutoFoley: Artificial Synthesis of Synchronized Sound Tracks for Silent Videos with Deep Learning
The University of Texas at San Antonio(德克萨斯大学圣安东尼奥分校)
在电影制作中,福利艺术家负责创建一个覆盖配乐,帮助电影为观众带来活力。这就要求艺术家首先确定声音,这将提高听众的经验,从而加强导演的意图,为给定的场景。在本文中,我们介绍了AutoFoley,一个全自动的深度学习工具,可用于合成视频的代表性音轨。AutoFoley可用于没有与视频相关联的相应音频文件的应用程序中,或者需要识别关键场景并提供合成的强化音轨的情况下。合成声道的一个重要性能标准是与输入视频时间同步,这提供了合成声音的逼真和可信的描绘。与现有的声音预测和生成架构不同,我们的算法能够通过将插值技术和时间关系网络(TRN)结合起来,精确识别快速移动的视频剪辑中的动作和帧间关系。我们采用了一个强大的多尺度递归神经网络(RNN)与卷积神经网络(CNN),以更好地理解复杂的输入输出关联随着时间的推移。为了评估AutoFoley,我们创建并引入了一个大规模的音频视频数据集,其中包含电影中经常用作Foley效果的各种声音。我们的实验表明,合成的声音逼真地描绘了准确的时间同步的相关视觉输入。AutoFoley的人类定性测试显示,超过73%的测试对象认为生成的音轨是原始的,这是声音合成中跨模态研究的一个值得注意的进步。
2020-02-21 cs.CV cs.LG cs.SD
A dataset and exploration of models for understanding video data through fill-in-the-blank question-answering
Polytechnique Montréal(蒙特利尔理工学院);Université de Montréal(蒙特利尔大学);Max-Planck-Institut für Informatik(马克斯·普朗克计算机科学研究所);Saarland Informatics Campus(萨尔兰信息学校园)
虽然深度卷积神经网络在涉及静态图像的基准任务中经常接近或超过人类水平的性能,但将这种成功扩展到运动图像并不简单。拥有能够学习理解视频的模型对于许多应用来说是感兴趣的,包括内容推荐、预测、摘要、事件/目标检测和理解人类视觉感知,但是许多领域缺乏足够的数据来探索和完善视频模型。为了解决需要一个简单的,定量的基准开发和理解视频,我们提出了MovieFIB,一个填补空白的问答数据集超过300,000例,基于描述性的视频注释为视障人士。除了提供统计数据和数据集的描述外,我们还对5种不同模型的预测进行了详细分析,并将其与人类的表现进行了比较。我们调查的相对重要性的语言,静态(2D)的视觉功能,和移动(3D)的视觉功能;增加数据集大小的影响,采样帧的数量;和词汇量。我们举例说明:这个任务不能由单独的语言模型来解决;我们的结合2D和3D视觉信息的模型确实提供了最好的结果;所有模型的表现都明显比人类水平差。我们为不同模型给出的响应提供了人类评估,并发现MovieFIB评估的准确性与人类判断相一致。我们提出了改进视频模型的途径,并希望所提出的数据集可以用于测量和鼓励在这个非常有趣的领域取得进展。
2017-02-05 cs.CV
MovieNet: A Holistic Dataset for Movie Understanding
CUHK-SenseTime Joint Lab, The Chinese University of Hong Kong(香港中文大学-商汤科技联合实验室)
近年来,视觉理解取得了显着的进步。然而,如何理解具有艺术风格的基于故事的长视频,例如电影,仍然具有挑战性。在本文中,我们介绍了MovieNet -一个用于电影理解的整体数据集。MovieNet包含1,100部电影,包含大量多模态数据,例如预告片,照片,情节描述等。此外,MovieNet还提供不同方面的手动注释,包括1.1M带有边界框和身份的字符,42 K场景边界,2.5K对齐的描述语句,65 K地点和动作标签,以及92 K电影风格标签。据我们所知,MovieNet是最大的数据集,具有最丰富的注释,可用于全面的电影理解。基于MovieNet,我们从不同的角度建立了几个电影理解的基准。在这些基准上进行了大量的实验,以显示MovieNet的不可估量的价值和目前的方法对全面的电影理解的差距。我们相信,这样一个整体的数据集将促进基于故事的长视频理解的研究和超越。MovieNet将根据法规在https://movienet.github.io上发布。
2020-07-21 cs.CV
Unsupervised Region-Growing Network for Object Segmentation in Atmospheric Turbulence
Clemson University(克莱姆森大学);Arizona State University(亚利桑那州立大学);George Mason University(乔治梅森大学)
提出无监督“先检测后生长”区域生长网络,利用刚性几何一致性、Sampson距离及时空损失,在大气湍流视频中鲁棒分割运动目标,并发布首个真实远距离湍流真值数据集。
2024-08-05 cs.CV
A Graph-Based Framework to Bridge Movies and Synopses
The Chinese University of Hong Kong(香港中文大学);University of California, Berkeley(加州大学伯克利分校)
受到视频分析领域的显著进步的启发,研究团队正朝着更大的目标迈进--电影理解。然而,与传统数据集中的那些活动视频相比,电影是显著不同的。一般来说,电影要长得多,并且包含更丰富的时间结构。更重要的是,人物之间的互动在表达潜在故事中起着核心作用。为了促进沿着这一方向的努力,我们构建了一个名为电影概要关联(MSA)的数据集,该数据集涵盖327部电影,它为每部电影提供了一个概要,以及概要段落和电影片段之间的注释关联。在此数据集之上,我们开发了一个框架来执行电影片段和摘要段落之间的匹配。该框架集成了电影的不同方面,包括事件动态和角色交互,并允许它们与基于图形的公式的解析段落相匹配。我们的研究表明,所提出的框架显着提高了传统的基于特征的方法的匹配精度。它也揭示了叙事结构和人物互动在电影理解中的重要性。
2019-10-24 cs.CV
Scene Invariant Crowd Segmentation and Counting Using Scale-Normalized Histogram of Moving Gradients (HoMG)
Aimetis Corp.(艾梅蒂斯公司);University of Waterloo(滑铁卢大学)
自动人群分割和计数的问题在视频监控领域引起了极大的兴趣。本文提出了一种新的场景不变的人群分割和计数算法,设计精度高,但低计算复杂性的想法,这是广泛的工业采用的关键。一种新的低复杂度,规模归一化的功能称为直方图的移动干扰(HoMG)被引入到一个视频中的个人和人群的高效时空表示。该方法通过基于滑动窗口HoMG特征的弱分类器级联实现实时人群分割,同时采用人群区域HoMG特征的线性SVM回归实现实时人群计数。使用多摄像机人群数据集的实验结果表明,该算法显着优于国家的最先进的人群计数算法,以及实现非常有前途的人群分割结果,从而证明了该方法的高精度,实时视频驱动的人群分析的有效性。
2016-02-01 cs.CV
A Dataset To Evaluate The Representations Learned By Video Prediction Models
Toyota Research Institute(丰田研究院);University of Michigan(密歇根大学)
我们提出了一个参数化的合成数据集,称为移动符号,以支持视频预测网络的客观研究。使用几个实例化的数据集,其中的变化是明确控制,我们突出了现有的国家的最先进的方法中的问题,并提出使用具有更大的语义意义的性能指标,以提高实验的可解释性。我们的数据集提供了规范的测试用例,这将有助于社区更好地理解并最终改进未来通过此类网络学习的表示。代码可在https://github.com/rszeto/moving-symbols上获得。
2018-03-22 cs.CV
Learning Depth from Monocular Videos Using Synthetic Data: A Temporally-Consistent Domain Adaptation Approach
The University of Sydney(悉尼大学);University of Pittsburgh(匹兹堡大学);Carnegie Mellon University(卡内基梅隆大学)
大多数现有技术的单目深度估计方法是监督学习方法。这种方法的成功在很大程度上取决于高质量的深度标签,这是昂贵的获得。最近的一些方法试图通过利用来自单眼视频的无监督线索来学习深度网络,这些线索更容易获得但不太可靠。在本文中,我们建议通过从合成视频中转移知识来解决这个难题,这些视频具有易于获得的地面实况深度标签。由于合成图像和真实图像之间的风格差异,我们提出了一种时间一致的领域自适应(TCDA)方法,同时探索合成域中的标签和视频中的时间约束,以提高风格转移和深度预测。此外,我们利用合成数据中的地面真实光流和姿态信息来学习移动掩模和姿态预测网络。学习的运动掩模可以过滤掉产生错误的时间约束的运动区域,并且估计的姿态提供用于估计时间约束的更好的初始化。实验结果表明,我们的方法的有效性和可比的性能对国家的最先进的。
2019-11-26 cs.CV
Moving Forward with Video Saliency: A New Dataset and Benchmark where Motion Matters
Tübingen AI Center, University of Tübingen(图宾根大学图宾根人工智能中心);IMPRS-IS(国际智能系统马克斯·普朗克研究学院);Optocycle;University of Toronto(多伦多大学);Vector Institute(向量研究所)
针对视频显著性基准动态性不足的问题,提出高动态数据集SalTempto,验证时序模型能捕获更多时序信息,但仍有提升空间。
2026-10-05 cs.CV
MovieQA: Understanding Stories in Movies through Question-Answering
Karlsruhe Institute of Technology(卡尔斯鲁厄理工学院);University of Toronto(多伦多大学);Massachusetts Institute of Technology(麻省理工学院)
我们介绍了MovieQA数据集,旨在评估视频和文本的自动故事理解。该数据集由关于408部具有高度语义多样性的电影的14,944个问题组成。问题的范围从简单的“谁”做了“什么”到“谁”,再到“为什么”和“如何”某些事件发生。每个问题都有一组五个可能的答案;一个正确的答案和四个由人类注释者提供的欺骗性答案。我们的数据集是独一无二的,因为它包含多个信息源-视频剪辑,情节,字幕,脚本和DVS。我们通过各种统计数据和方法分析数据。我们进一步扩展现有的QA技术表明,这样的开放式语义问答是困难的。我们将这一数据集与评估基准一起公开,以鼓励在这一具有挑战性的领域开展鼓舞人心的工作。
2016-09-21 cs.CL cs.CV
MovieCLIP: Visual Scene Recognition in Movies
University of Southern California(南加州大学);Google(谷歌)
电影等长篇媒体具有复杂的叙事结构,事件跨越丰富多样的环境视觉场景。与电影中的视觉场景相关的特定领域挑战包括过渡,人物覆盖以及各种现实生活和虚构场景。现有的电影中的视觉场景数据集具有有限的分类,并且不考虑电影剪辑中的视觉场景过渡。在这项工作中,我们首先自动策划一个新的和广泛的以电影为中心的分类179个场景标签来自电影脚本和辅助的基于Web的视频数据集的视觉场景识别在电影中的问题。而不是手动注释,这可能是昂贵的,我们使用CLIP弱标记112万镜头从32K电影剪辑的基础上,我们提出的分类。我们提供了在名为MovieCLIP的弱标记数据集上训练的基线视觉模型,并在由人类评分员验证的独立数据集上对其进行评估。我们表明,利用MovieCLIP上预训练的模型的特征有利于下游任务,例如网络视频和电影预告片的多标签场景和流派分类。
2022-10-23 cs.CL cs.CV cs.MM
MoVideo: Motion-Aware Video Generation with Diffusion Models
ETH Zurich(苏黎世联邦理工学院);Meta Inc.(元公司);Nanjing University(南京大学);University of Würzburg(维尔茨堡大学);CAIDAS(卡伊达斯研究中心);IFI(信息与通信工程研究所)
提出运动感知视频生成框架MoVideo,通过视频深度和光流两方面建模运动,利用时空扩散模型生成深度与光流指导潜在空间视频生成,并在解码时用光流对齐细化帧,在文本到视频和图像到视频任务上达到SOTA。
2024-07-29 cs.CV eess.IV
MovieBench: A Hierarchical Movie Level Dataset for Long Video Generation
National University of Singapore(新加坡国立大学);Zhejiang University(浙江大学)
MovieBench提出分层电影级数据集,提供多场景连贯叙事与角色一致性视频,用于长视频生成模型的评估与训练,推动领域发展。
2025-03-31 cs.CV
Learning to Segment Moving Objects in Videos
University of California, Berkeley(加州大学伯克利分校);Universidad de los Andes, Colombia(哥伦比亚安第斯大学)
我们分段视频中的移动对象的排名时空段建议根据“移动对象”:他们有多大可能包含一个移动的对象。在每一个视频帧中,我们计算段建议使用多个图形地面分割每帧运动边界。我们使用在图像和运动场上训练的移动对象检测器对它们进行排名,以检测移动对象并丢弃场景的上/下分割或背景部分。我们扩展到时空管使用随机步行者密集点轨迹的运动亲和力排名靠前的片段。对于任何数量的提案,我们的最终管排名在当前可用的两个最大视频分割基准中始终优于之前的分割方法。此外,我们的每帧移动对象的建议增加检测率高达7\%,比以前的国家的最先进的静态建议方法。
2015-05-08 cs.CV
MOR-UAV: A Benchmark Dataset and Baselines for Moving Object Recognition in UAV Videos
Malaviya National Institute of Technology Jaipur(斋浦尔马拉维亚国家理工学院)
从无人机(UAV)收集的视觉数据开辟了计算机视觉的新领域,需要对航空图像/视频进行自动分析。然而,现有的UAV数据集主要集中在目标检测上。物体检测器不区分移动物体和非移动物体。给定一个实时的无人机视频流,我们如何才能既定位和分类的移动对象,即执行移动对象识别(MOR)?MOR是支持无人机视觉应用(包括空中监视、搜索救援、事件识别、城市和农村场景理解)的重要任务之一。因此,在本文中,我们介绍了MOR-UAV,一个大规模的视频数据集MOR在航空视频。我们实现这一点,通过标记轴对齐的边界框移动对象,需要更少的计算资源比产生像素级的估计。我们对从30个无人机视频中收集的89,783个移动对象实例进行了注释,其中包括10,948帧,这些场景包括天气条件,遮挡,飞行高度变化和多个相机视图。我们为两类车辆(汽车和重型车辆)分配了标签。此外,我们提出了一个深度统一的框架MOR-UAVNet在无人机视频MOR。由于这是无人机视频中MOR的首次尝试,因此我们通过定量和定性实验在MOR-UAV数据集上提出了基于所提出的框架的16个基线结果。我们还通过多层可视化来分析网络中的运动显著区域。MOR-UAVNet在推理时在线工作,因为它只需要很少的过去帧。此外,它不需要预定义的目标初始化从用户。实验还表明,MOR-UAV数据集是相当具有挑战性的。
2020-08-08 cs.CV
MAEVI: Motion Aware Event-Based Video Frame Interpolation
利用基于事件的摄像机有望提高视频帧插值解决方案的视觉质量。我们引入了一种基于学习的方法来利用视频序列中的运动区域边界来提高整体插值质量。事件摄像机使我们能够精确地确定运动区域;因此,通过使用适当的损失函数强调这些区域,可以实现更好的视频帧插值质量。结果表明,测试数据集的平均\textit{PSNR}显著改善了$1.3$ dB,并且主观上更令人愉悦的视觉结果具有较少的重影和模糊伪影。
2023-03-03 cs.CV eess.IV
Maximum Likelihood Speed Estimation of Moving Objects in Video Signals
University of Parma(帕尔马大学)
用于运动分析的视频处理解决方案是许多计算机视觉应用中的关键任务,从人类活动识别到对象检测。特别地,速度估计算法在诸如街道监视和环境监视的上下文中可能是相关的。在大多数现实场景中,感兴趣的框架对象到图像平面上的投影很可能受到主要与透视变换或周期性行为相关的动态变化的影响。因此,先进的速度估计技术需要依赖于能够处理潜在的几何修改的鲁棒的目标检测算法。所提出的方法是由一系列的预处理操作,其目的是减少或忽略影响感兴趣的对象的透视效果,其次是基于最大似然(ML)的原则,其中的前景物体的速度估计的估计阶段。事实上,ML估计方法代表了一种综合的统计工具,可以用来获得可靠的结果。一组真实的视频记录,并与块匹配运动估计算法的性能进行了评估。实验结果表明,该方法具有良好的鲁棒性。
2021-12-02 cs.CV eess.IV
Referring Multi-Object Tracking in Moving-Camera Videos via Global Motion Compensation
National Cheng Kung University(国立成功大学)
本文针对移动相机视频中的指代多目标跟踪,提出通过估计相机运动提取残差运动并与查询表达式匹配,经后期融合提升RMOT性能。
2026-10-06 cs.CV
Unsupervised Video Object Segmentation for Deep Reinforcement Learning
University of Waterloo(滑铁卢大学)
我们提出了一种新的深度强化学习技术,可以自动检测移动对象并使用相关信息进行动作选择。通过从运动中利用运动恢复结构,以无监督的方式进行运动对象的检测。该代理不是直接从原始图像中学习策略,而是首先通过利用视频序列中的流信息来学习检测和分割移动对象。然后使用学习的表示将代理的策略集中在移动对象上。随着时间的推移,智能体识别哪些对象对决策至关重要,并根据相关的移动对象逐步建立策略。这种方法我们称之为面向运动的强化学习(MOREL),它在一系列Atari游戏中得到了演示,其中检测移动物体的能力减少了获得良好策略所需的与环境的交互量。此外,所产生的策略比直接将图像映射到具有黑盒神经网络的动作或值的策略更可解释。我们可以通过检查代理检测到的每个对象的分割和运动来深入了解策略。这使得从业人员能够确认政策是否基于合理的信息做出决策。
2018-05-20 cs.AI cs.CV cs.LG
Consistent Depth of Moving Objects in Video
MIT CSAIL(麻省理工学院计算机科学与人工智能实验室);Google Research(谷歌研究院);Weizmann Institute of Science(魏茨曼科学研究所)
我们提出了一种方法来估计深度的动态场景,包含任意移动的对象,从一个普通的视频捕获与移动摄像机。我们寻求一个几何和时间上一致的解决方案,这个欠约束的问题:跨帧的相应点的深度预测应该引起合理的,平滑的运动在3D。我们在一个新的测试时训练框架中制定了这个目标,其中深度预测CNN与整个输入视频上的辅助场景流预测MLP一起训练。通过在不同的时间步长上递归地展开场景流预测MLP,我们计算短距离场景流以直接在3D中施加局部平滑运动先验,以及长距离场景流以施加具有宽基线的多视图一致性约束。我们展示了准确和时间上连贯的结果,在各种具有挑战性的视频包含不同的移动对象(宠物,人,汽车),以及相机运动。我们的深度图产生了许多深度和运动感知的视频编辑效果,如对象和照明插入。
2021-08-02 cs.CV cs.GR
Joint Stereo Video Deblurring, Scene Flow Estimation and Moving Object Segmentation
Australian National University(澳大利亚国立大学);Northwestern Polytechnical University(西北工业大学)
动态场景的立体视频通常由于相机运动和具有大深度变化的多个移动对象而显示出令人不快的模糊效果。给定连续的模糊立体视频帧,我们的目标是恢复潜在的干净图像,估计三维场景流和分割的多个运动物体。这三个任务以前被单独处理,未能利用这些任务之间的内在联系,不能实现最优。在本文中,我们建议通过利用它们的内在联系,在一个统一的框架中共同解决这三个任务。为此,我们表示的动态场景与分段平面模型,它利用局部结构的场景,并表示各种动态场景。在我们的模型下,这三个任务自然地连接在一起,并表示为三维场景结构和相机运动(动态场景的结构和运动)的参数估计。通过利用模糊模型约束,运动物体和三维场景结构,我们得到了一个能量最小化公式联合去模糊,场景流和分割。我们在合成数据集和公开可用的真实数据集上广泛评估了我们的方法,这些数据集包括快速移动的物体,相机运动,不受控制的照明条件和阴影。实验结果表明,我们的方法可以实现立体视频去模糊,场景流估计和运动对象分割,比国家的最先进的方法显着改善。
2019-10-06 cs.CV
Motion-Zero: Zero-Shot Moving Object Control Framework for Diffusion-Based Video Generation
School of Computer Science and Technology, East China Normal University(华东师范大学计算机科学与技术学院);School of Data Science and Engineering, East China Normal University(华东师范大学数据科学与工程学院)
提出零样本框架 Motion-Zero,通过初始噪声先验、注意力空间约束和移位时序注意力,在无需训练的情况下控制视频扩散模型中对象的边界框运动轨迹。
2025-01-08 cs.CV
It's Moving! A Probabilistic Model for Causal Motion Segmentation in Moving Camera Videos
University of Massachusetts, Amherst(马萨诸塞大学阿默斯特分校)
人类检测和分割移动物体的能力在存在多个物体、复杂背景几何形状、观察者运动甚至伪装的情况下都有效。除此之外,检测运动的能力几乎是瞬时的。虽然最近在运动分割方面取得了很大进展,但似乎我们离人类的能力还很远。在这项工作中,我们从第一原理推导出一个新的似然函数,用于评估给定物体的3D运动方向的光流矢量的概率。这种可能性使用光流的角度和幅度的新颖组合来最大化关于对象的真实运动的信息。使用这种新的可能性和几个创新的初始化,我们开发了一个运动分割算法,击败了当前最先进的方法,由一个大的利润。我们比较了五个国家的最先进的方法在两个既定的基准,和第三个新的数据集的动物,我们介绍了推动运动分割到一个新的水平。
2016-04-01 cs.CV
HumanNeRF: Free-viewpoint Rendering of Moving People from Monocular Video
University of Washington(华盛顿大学);Google Research(谷歌研究院)
我们介绍了一种自由视点渲染方法- HumanNeRF -它适用于一个给定的单目视频的人执行复杂的身体运动,例如,从YouTube的视频。我们的方法可以在任何帧暂停视频,并从任意新的摄像机视点或甚至针对该特定帧和身体姿势的完整360度摄像机路径渲染主体。这项任务特别具有挑战性,因为它需要合成身体的照片般逼真的细节,如从输入视频中可能不存在的各种相机角度看到的,以及合成精细的细节,如衣服褶皱和面部外观。我们的方法优化了一个典型的T-姿势的人的体积表示,与运动场,通过向后扭曲映射估计的规范表示到视频的每一帧。运动场被分解为由深度网络产生的骨架刚性和非刚性运动。我们显示了显着的性能改进比以前的工作,和令人信服的例子,从单目视频的移动人类在具有挑战性的不受控制的捕捉场景的自由视点渲染。
2022-06-14 cs.CV cs.GR
Learning to Segment Moving Objects
Inria(法国国家信息与自动化研究所);Univ. Grenoble Alpes(格勒诺布尔阿尔卑斯大学);CNRS(法国国家科学研究中心);Grenoble INP(格勒诺布尔理工学院);LJK(让·昆茨曼实验室)
我们研究了无约束视频中运动对象的分割问题。给定一个视频,任务是分割至少在一帧中表现出独立运动的所有对象。我们将其制定为一个学习问题,并使用三个线索设计我们的框架:(i)一对帧之间的独立对象运动,这补充了对象识别,(ii)对象外观,这有助于纠正运动估计中的错误,以及(iii)时间一致性,这对分割施加了额外的约束。该框架是一个具有显式记忆模块的双流神经网络。这两个流分别对视频序列中的外观和运动线索进行编码,而存储器模块则利用时间一致性捕获对象随时间的演变。运动流是在合成视频上训练的卷积神经网络,以分割光流场中独立移动的对象。在视频中建立“视觉记忆”的模块,即,所有视频帧的联合表示用从少量训练视频序列学习的卷积递归单元来实现。对于测试视频帧中的每个像素,我们的方法根据学习到的时空特征以及特定于视频的“视觉记忆”分配对象或背景标签。我们评估我们的方法广泛的三个基准,DAVIS,弗赖堡-伯克利运动分割数据集和SegTrack。此外,我们提供了一个广泛的消融研究,调查的训练数据的选择和建议的框架中的每个组件的影响。
2017-12-01 cs.CV
Motion-Corrected Moving Average: Including Post-Hoc Temporal Information for Improved Video Segmentation
Ostbayerische Technische Hochschule Regensburg (OTH Regensburg)(雷根斯堡东巴伐利亚应用技术大学);Klinikum rechts der Isar, Technical University of Munich(慕尼黑工业大学右岸医院);Imperial College London(伦敦帝国学院);Regensburg Medical Image Computing (ReMIC)(雷根斯堡医学影像计算中心);Regensburg Center of Health Sciences and Technology (RCHST)(雷根斯堡健康科学与技术中心)
针对医学视频分割的帧间预测噪声问题,提出无需修改训练或额外标注的运动校正移动平均方法,用光流对齐先验项提升性能,且无显著运行损耗,在多数据集上优于基线。
2024-03-05 cs.CV
Assisted Video Sequences Indexing : Motion Analysis Based on Interest Points
这项工作涉及基于内容的视频索引。我们的观点是压缩视频的半自动分析。我们认为运动分析和移动目标检测的可能应用:协助移动对象索引,总结视频,并允许图像和运动查询。我们提出了一种基于兴趣点的方法。作为第一个结果,我们测试和比较不同类型的兴趣点检测器在压缩序列中的稳定性。
2000-04-21 cs.CV
Cubic LSTMs for Video Prediction
Centre for Artificial Intelligence(人工智能中心);University of Technology Sydney(悉尼科技大学)
预测视频中的未来帧已经成为计算机视觉和机器人学习社区的一个有前途的研究方向。这个问题的核心涉及到运动目标的捕获和未来的运动预测。虽然对象捕获指定哪些对象在视频中移动,但运动预测描述了它们的未来动态。基于这种分析,我们提出了一种用于视频预测的立方长短期记忆(CubicLSTM)单元。CubicLSTM由三个分支组成,即,用于捕获运动对象的空间分支、用于处理运动的时间分支、以及用于组合前两个分支以生成预测帧的输出分支。沿着空间分支和输出分支堆叠多个CubicLSTM单元,然后沿着时间分支进化,可以形成立方递归神经网络(CubicRNN)。实验表明,CubicRNN在合成和真实世界数据集上都比以前的方法产生更准确的视频预测。
2019-04-20 cs.CV
Coherent Motion Segmentation in Moving Camera Videos using Optical Flow Orientations
University of Massachusetts, Amherst(马萨诸塞大学阿默斯特分校)
在移动摄像机视频中,通常使用像素的图像平面运动或光流来执行运动分割。但是,与相机处于不同深度的对象可能会显示不同的光流,即使它们共享相同的真实世界运动。这可能导致场景的深度相关分割。我们的目标是开发一种分割算法,集群像素,具有类似的现实世界中的运动,无论其在场景中的深度。我们的解决方案使用光流方向,而不是完整的矢量,并利用众所周知的属性,即在相机平移,光流方向是独立的对象深度。我们引入了一个概率模型,自动估计观察到的独立运动的数量,并导致与场景中的真实运动一致的标签。我们的系统的结果是,静态对象被正确地识别为一个片段,即使它们在不同的深度。颜色特征和信息,从以前的帧中的视频序列被用来纠正偶尔的错误,由于基于方向的分割。我们展示了来自不同基准的30多个视频的结果。该系统在包含深度显著不同的对象的复杂背景场景上特别鲁棒
2015-11-05 cs.CV
Spatial Pyramid Context-Aware Moving Object Detection and Tracking for Full Motion Video and Wide Aerial Motion Imagery
University of Missouri(密苏里大学)
一个鲁棒的、快速的自动运动目标检测与跟踪系统对于视频监控系统、城市交通监控与导航、机器人等不同功能的目标对象的特征描述和时空信息提取是必不可少的。在本论文中,我提出了一个协同空间金字塔上下文感知运动目标检测和跟踪系统。该视觉跟踪器由一个通常依赖于视觉对象特征的主跟踪器和两个基于对象时间运动信息的辅助跟踪器组成,辅助跟踪器将被动态调用以辅助主跟踪器。SPCT利用不同层次的图像空间背景,使视频跟踪系统具有抗遮挡、抗背景噪声的能力,提高了目标定位的准确性和鲁棒性。我们选择了一个预先选择的七通道互补功能,包括RGB颜色,强度和空间金字塔的HoG编码对象的颜色,形状和空间布局信息。为了满足实时性的要求,我们采用了积分直方图作为构造块。提出了一种新的快速算法,利用积分直方图方法的扩展,在恒定时间复杂度下精确地计算空间加权局部直方图。探索了不同的技术来有效地计算GPU架构上的积分直方图,并应用于快速时空中值计算和三维人脸重建纹理。我们提出了一个多组件框架的基础上的语义融合的运动信息与投影建筑足迹地图,显着降低误报率,在城市场景中有许多高大的建筑物。在广泛的VOTC 2016基准数据集和航拍视频上进行的实验证实,在智能融合框架中结合互补跟踪线索可以实现对全动态视频和宽航拍动态图像的持续跟踪。
2017-11-05 cs.CV
On Moving Object Segmentation from Monocular Video with Transformers
Robert Bosch GmbH(罗伯特·博世有限公司);Heidelberg University(海德堡大学)
本文提出 M3Former 融合架构,利用 Transformer 结合外观与二维/三维运动特征完成单目运动分割,并证明多样化训练数据对 KITTI 和 DAVIS 上的 SotA 性能至关重要。
2024-11-28 cs.AI cs.CV
RADNet: A Deep Neural Network Model for Robust Perception in Moving Autonomous Systems
Georgia Institute of Technology(佐治亚理工学院)
交互式自主应用要求感知引擎对无约束视频中的伪影具有鲁棒性。在本文中,我们研究的作用,相机运动的任务上的动作检测。我们开发了一种新的排名方法来排名视频的基础上的程度的全球相机运动。对于高排名的摄像头视频,我们表明,动作检测的准确性下降。我们提出了一个动作检测流水线,是鲁棒的相机运动效果,并验证它的经验。具体来说,我们跨帧进行演员特征对齐,并将全局场景特征与局部演员特定特征相结合。我们使用一种新的时空采样网络(STSN)公式进行特征对齐,但使用金字塔结构进行多尺度偏移预测和细化。我们还提出了一种新的输入相关的加权平均策略融合局部和全局特征。我们展示了我们的网络在具有高相机运动的移动相机视频数据集(MOVE数据集)上的适用性,其中帧mAP增加了4.1%,视频mAP增加了17%。
2022-04-30 cs.CV
Quickest Moving Object Detection
King Abdullah University of Science & Technology(阿卜杜拉国王科技大学)
我们提出了一个通用的框架和方法,同时检测和分割的视频中的对象,移动(或进入相机的视野)在视频中的一些未知的时间。该方法是一种基于运动分割的在线方法,它可以在由运动摄像机或运动干扰引起的动态背景下工作。该方法的目标是检测和分割的对象,只要它移动。由于视频中的随机变化和运动信号的不可靠性,需要几个帧来可靠地检测对象。该方法的目的是检测和分割的最小延迟受到约束的虚警率。该方法是作为一个问题的最快变化检测。在一个数据集上的实验表明,我们的方法在最小化检测延迟的虚警约束的有效性。
2016-05-24 cs.CV
Motion Focus Recognition in Fast-Moving Egocentric Video
Clemson University(克莱姆森大学);University of South Carolina Beaufort(南卡罗来纳大学博福特分校);University of South Carolina(南卡罗来纳大学)
本文提出一种实时运动聚焦识别方法,通过相机姿态估计基础模型和系统级优化,实现对眼动视频中主体运动意图的估计,适用于边缘部署的运动分析。
2026-04-07 cs.CV