Ucf101
PulseAugur coverage of Ucf101 — every cluster mentioning Ucf101 across labs, papers, and developer communities, ranked by signal.
4 天有情绪数据
-
新的MS-VQ-VAE方法实现了超低比特率视频压缩
研究人员开发了一种使用称为MS-VQ-VAE的离散潜在表示的新型视频压缩方法，该方法在低于每像素0.1比特的超低比特率下有效运行。该方法通过采用学习到的自回归先验来克服连续潜在表示的局限性，该先验利用码本使用模式来实现显著压缩。与H.264和H.265等成熟标准相比，该方法在UCF101数据集上实现了更高的感知质量和显著更低的比特率，表现优越。
-
新的Bit-ViP技术增强图像视觉隐私保护
研究人员开发了一种名为Bit-ViP的新图像混淆技术，旨在保护用于计算机视觉任务的图像中的视觉隐私。该方法结合了混沌系统生成的不可逆噪声和差分隐私，以防止对手重建原始图像。在UCF101和HMDB51等活动识别数据集上的实验表明，Bit-ViP在对抗各种重建攻击方面是有效的，并且优于现有方案。
-
新的比特平面技术通过混淆增强图像隐私以抵御重建攻击
研究人员开发了 Bit-ViP，一种新颖的图像混淆技术，旨在保护计算机视觉应用中的视觉隐私。该方法使用比特平面来保护图像，使其能够抵抗重建攻击，同时仍可用于识别任务。Bit-ViP 结合了混沌系统生成的不可逆噪声和差分隐私，以防止对手恢复原始图像。在活动识别数据集上的实验表明，Bit-ViP 在抵御各种安全威胁方面是有效的，并且优于现有的混淆方案。
-
新的 MoFore 框架推动自监督视频表示学习发展
研究人员推出了一种新颖的自监督视频表示学习框架 MoFore，该框架专注于从远距离上下文剪辑预测未来的潜在嵌入。与依赖像素级重建或语义对齐的先前方法不同，MoFore 学习时间预测表示。该框架结合了随机时间间隔预测和对比正则化，以增强鲁棒性并防止表示崩溃。在 UCF101 数据集上的实验表明，MoFore 在不需要动作标签的情况下学习到了时间上一致且语义上有意义的表示。
-
新的 CFE-PPAR 方法支持通过压缩实现隐私保护的视频行为识别
研究人员推出了一种新颖的隐私保护视频行为识别方法 CFE-PPAR，即使在压缩后仍能保持有效。与先前在加密视频压缩时性能显著下降的方法不同，CFE-PPAR 允许视频 Transformer 直接识别加密内容。这是通过使用与视频加密相同的密钥转换的参数来实现的，在 Motion-JPEG 和 H.264 等常见压缩标准下，在 UCF101 和 HMDB51 数据集上表现出优越的性能。