首页
学习
活动
专区
工具
TVP
发布
精选内容/技术社群/优惠产品,尽在小程序
立即前往
您找到你想要的搜索结果了吗?
是的
没有找到

【弱监督视觉任务】开源 | 一种弱监督时间动作定位的混合注意机制,性能SOTA!

弱监督时间动作定位是一项具有挑战性的视觉任务,因为训练视频中缺乏真值的动作时间位置。由于在训练过程中只有视频级别的监督,大多数现有的方法依赖于多实例学习(MIL)框架来预测视频中每个动作类别的开始和结束帧。然而,现有的基于MIL的方法有一个主要的局限性,即只捕捉动作的最具区别性的帧,而忽略了活动的全部范围。此外,这些方法不能对定位前台活动起着重要作用的后台活动,进行有效地建模。在本文中,我们提出了一种新的框架HAM-Net,该框架包含时间软注意、半软注意和硬注意的混合注意机制。我们的时间软注意模块,在分类模块中的辅助背景类的指导下,通过为每个视频片段引入动作评分来模拟背景活动。此外,我们的时间半软和硬注意模块,计算每个视频片段的两个注意分数,有助于集中在一个动作的较少区别的帧,以捕获完整的动作边界。我们提出的方法在THUMOS14数据集上IoU阈值为0.5时至少有2.2% mAP,在ActivityNet1.2数据集上IoU阈值为0.75时至少有1.3% mAP,性能SOTA!

05

可伸缩性最佳实战

同步调用使得组件和组件之间紧密耦合起来,这样就使得要想伸缩应用就需要伸缩所有的组件,这不仅带来使得伸缩的成本增加,而且这种高度耦合性使得伸缩变得更加困难。因此我们需要从应用角度划分出,哪些业务操作是紧密关联的,哪些是可以异步执行的,划分出那些可以异步执行的操作,然后将其进行异步化处理(比如通过JMS,事件队列,多播消息等或者线程池等),这样划分的好处就是系统可以应对更大的访问量,消弱访问峰值,比如在同步的时候A调用了B,那么用户能接受响应时间就是A处理时间+B处理的时间,而采用异步以后,当访问量增大的时候,因为A和B异步,那么A很快返回,用户体会不到延迟,而B的处理时间由原来的2秒处理完毕,变为3秒处理完毕,而B得处理都是在后台进行的,不会影响到客户响应事件,同时异步也起到了消弱峰值的作用。 其实在社会生活中也存在很多异步的场景,比如老板和秘书,假如老板没有秘书,那么势必老板在处理完事情A之前没有办法处理新的事务,而有了秘书以后,有什么次要的事情让秘书去办,同时老板可以做其它的重要的事情O(∩_∩)。 因此异步不仅利用底层框架平台的异步性,更重要的是如何做到应用本身的异步性,只有做到了这一点才算是真正的异步。

01
领券