动作分类卷积神经网络特征的时域属性校正方法.pdf

本文主要探讨的是针对3D卷积神经网络（3D CNN）在动作分类任务中的一个关键问题，即如何改进其在捕捉动作特征时域属性信息的稳定性。动作分类是计算机视觉领域的重要研究方向，它对视频分析、行为识别等多个领域有着深远的影响。传统的动作分类方法包括双流网络和3D CNN等。 3D CNN由于其能够直接处理三维空间-时间信息，已经成为处理视频序列数据的动作分类主流模型。然而，这类网络在提取动作特征时，可能会出现时域属性信息的不稳定，导致分类性能下降。为了解决这个问题，文章提出了一个创新的时域属性校正方法。 该方法的核心是“属性映射法”，通过此方法可以抽象出网络特征数据的时域属性。在比较不同特征组的属性信息后，对于信息差异过大的特征数据进行校正，以增强特征间的时域一致性。这种方法旨在优化3D CNN模型的动作分类性能，使得模型能更准确地识别和理解视频中的动作序列。 为了验证该方法的有效性，作者选择了3D ResNeXt-101作为基础模型进行仿真验证。3D ResNeXt-101是一种具有高效并行结构的深度神经网络，它在3D卷积的基础上引入了残差块，能更好地学习时空特征。实验证明，采用时域属性校正的方法显著提升了3D ResNeXt-101在两个常用动作分类数据集上的测试准确率，即使在使用预训练模型的情况下，也能保持良好的优化效果。 此外，文章还强调了动作分类在行为识别领域的基础作用，不仅为视频时序提名、时序定位以及密集事件描述等任务提供支持，而且大部分基于视频的学习任务都依赖于动作分类技术的进一步发展。因此，提高动作分类的准确性对于推动整个领域的进步至关重要。 该文提出的时域属性校正方法为3D CNN在动作分类任务中的性能提升提供了一种新的途径，通过增强特征的时域一致性，改善了模型对时序信息的理解和利用。这一研究对于优化深度学习在视频分析中的应用具有积极的意义，同时也为后续的相关工作提供了理论和技术参考。