深度|2017CV技术报告之图像分割、超分辨率和动作识别(8)

Anticipating Visual Representations from Unlabeled Video[89] 虽然严格上来说这不是一篇关于行为分类的论文，但是它还是非常吸引人。作者提出的模型可以通过分析一个视频内某个动作发生前（最长可达 1 秒前）的画面来预测何种动作将有可能会发生。他们选择了视觉表征而非逐像素分类的方法，也就是说，程序可以在没有标注数据存在的情况下工作，这里利用了深度神经网络可以进行强大的特征学习的这一优点 [90]。
「我们方法的关键思想在于，我们可以训练深度网络，让它来预测未来可能在图像中出现的视觉表征。视觉表征是一个可靠的预测目标，因为它们站在比像素层面高的语义层面来编码图像。然后，我们在预测得到的表征上应用识别算法，从而得出对目标和动作的估计。」
Thumos Action Recognition Challenge[91] 的组织者发表了一篇论文，总结了近年来对行为进行识别的一般方法。文章还提供了从 2013 年到 2015 年挑战赛的纲要，以及关于如何让计算机进行行为识别的一个整体理解。遗憾的是（似乎）去年没有举办该比赛，我们希望 Thumos 行为识别挑战有望在今年（2017）回归。