HyperAIHyperAI
منذ 2 أشهر

شبكات الت". الشبكات الزمنية المتكررة: نهج موحد لتقسيم الأنشطة

Colin Lea; Rene Vidal; Austin Reiter; Gregory D. Hager
شبكات الت".
الشبكات الزمنية المتكررة: نهج موحد لتقسيم الأنشطة
الملخص

النموذج السائد لتقسيم الأنشطة المستندة إلى الفيديو يتكون من خطوتين رئيسيتين: أولاً، لكل إطار، يتم حساب الخصائص الأولية باستخدام المسارات الكثيفة أو شبكة عصبية تلافيفية ترميز المعلومات الزمانية-المكانية بشكل محلي، وثانيًا، يتم إدخال هذه الخصائص إلى تصنيف يقوم بالتقاط العلاقات الزمنية على المستوى العالي، مثل الشبكة العصبية التكرارية (RNN). رغم فعاليتها غالبًا، فإن هذا الانفصال يتطلب تحديد نموذجين منفصلين، كل منهما له تعقيداته الخاصة، ويمنع التقاط العلاقات الزمانية-المكانية طويلة المدى بشكل أكثر دقة. نقترح نهجًا موحدًا، كما يظهر في شبكتنا التلافيفية الزمنية (TCN)، التي تقوم بتقاط relationships الهرمية للعلاقات على مستويات زمنية أولية ومتوسطة وعالية. نموذجنا يحقق أداءً أفضل أو متنافسًا باستخدام بيانات الفيديو أو البيانات الحسّاسة في ثلاثة مجموعات بيانات عامة لتقسيم الأنشطة ويمكن تدريبه في جزء من الوقت الذي يستغرقه تدريب الشبكة العصبية التكرارية.注:在最后一句中,“تقاط relationships” 应为 “تقاطع العلاقات”,这是由于原文中的“relationships”未被完全翻译。以下是修正后的版本:نقترح نهجًا موحدًا، كما يظهر في شبكتنا التلافيفية الزمنية (TCN)، التي تقوم بتقاطع العلاقات الهرمية على مستويات زمنية أولية ومتوسطة وعالية. نموذجنا يحقق أداءً أفضل أو متنافسًا باستخدام بيانات الفيديو أو البيانات الحسّاسة في ثلاثة مجموعات بيانات عامة لتقسيم الأنشطة ويمكن تدريبه في جزء من الوقت الذي يستغرقه تدريب الشبكة العصبية التكرارية.

شبكات الت". الشبكات الزمنية المتكررة: نهج موحد لتقسيم الأنشطة | أحدث الأوراق البحثية | HyperAI