在关于卷积神经网络课程的最后一段视频中,吴荣奎讨论了如何利用ConvNets对三维输入数据进行处理。他主要讨论猫扫描,但也提到你可以把一部电影当作3D数据,并在它上运行一个ConvNet (z轴是时间,也就是电影的#帧)。
我觉得这很吸引人。我只是好奇是否有人知道有人在实践中做过类似的事情,以及他们取得了什么成就。
发布于 2018-03-15 22:02:59
2015年年图莫斯挑战是关于从youtube收集的视频中的动作识别--总共有13k个视频(430小时或4500万帧)和101个“动作类”。视频是人们刷牙、打篮球、冲浪等活动,一些视频剪辑包括多种活动。
视频是不修剪的,所以它更接近一个现实世界的设置,而不是剪辑成一个单独的单一行动感兴趣的视频。用于动作分类的胜出和第二名条目包括各种伪装的CNN(快速扫描之后,我找不到任何没有的条目)。
您可能感兴趣的另一个用途是视频标题(而不是分类):本论文结合CNN来描述每个视频中正在发生的事情(本文中的p9示例,我喜欢右下角的描述):

https://datascience.stackexchange.com/questions/29098
复制相似问题