Key points are not available for this paper at this time.
La détection d'actions temporaires est une tâche difficile en raison de l'imprécision des limites d'action. Pour aborder ce problème, nous proposons un réseau de raffinement de limites progressif (PBRNet) de bout en bout dans cet article. PBRNet appartient à la famille des détecteurs à une étape et est équipé de trois modules de détection en cascade pour localiser les limites d'action de manière de plus en plus précise. Plus précisément, PBRNet se compose principalement de détection pyramidale grossière, de détection pyramidale affinée et de détection fine. Les deux premiers modules construisent deux pyramides de caractéristiques pour réaliser la détection basée sur l'ancre, et le troisième explore les caractéristiques au niveau des images pour affiner les limites de chaque instance d'action. Dans le module de détection fine, trois branches de classification au niveau des images sont proposées pour augmenter les caractéristiques au niveau des images et mettre à jour les scores de confiance des instances d'action. Évidemment, PBRNet intègre les méthodes basées sur l'ancre et au niveau des images. Nous évaluons expérimentalement le PBRNet proposé et examinons en profondeur l'effet des principaux composants. Les résultats montrent que PBRNet atteint des performances de détection à la pointe de la technologie sur deux bancs d'essai populaires : THUMOS'14 et ActivityNet, tout en possédant une vitesse d'inférence élevée.
Liu et al. (Ven,) ont étudié cette question.