【AAAI2020论文-腾讯】通过稠密边界发生器快速学习时间动作方案（Fast Learning of Temporal Action Proposal via Dense Boundary Generator）

论文题目： Fast Learning of Temporal Action Proposal via Dense Boundary Generator

论文摘要：

生成临时的操作建议仍然是一个非常具有挑战性的问题，其主要问题在于如何在长且未修剪的真实视频中预测精确的时间建议边界和可靠的操作信任。在本文中，提出了一个高效且统一的框架来生成时间行动建议，该框架被称为稠密边界生成器(DBG)，它从边界敏感方法中获得灵感，并对稠密分布的建议进行边界分类和行动完备性回归。具体来说，DBG包括两个模块:时间边界分类(TBC)和动作感知完整性回归(ACR)。TBC的目标是通过低级的双流特征提供两个时间边界置信图，而ACR的目的是生成一个动作，通过高级动作感知功能对完整性进行评分。此外，还引入了双流基网(DSB)来编码RGB和光流信息，这有助于捕获有区别的边界和动作特征。在流行的基准ActivityNet-1.3和THUMOS14上的大量实验表明，DBG优于最先进的提案生成器(例如，MGG和BMN)。