视频理解综述性质的记录

简介

视频数据本身就是一种多模态信息，并且是一种很丰富的数据来源，其包含的信息远远多于2D的图片，例如有物体移动的信息，以及长期的时序信息，音频信号等，并且视频数据是一种天生的数据增强，比如在一段视频中一个物体会有各种各样的变化，形变，遮挡，光照变化等，这种改变通常是十分丰富且自由的，远比通过一些图片处理得到的数据增强要自然的多。视频理解领域三巨头就是：Action Recognition、Temporal Action Localization、Spatio-Temporal Action Localization

关于视频理解的论文收集(较新)

本文可配合视频理解综述性质记录服用

Swin Transformer: Hierarchical Vision Transformer using Shifted Windows

论文地址：http://arxiv.org/abs/2103.14030
项目代码：https://github.com/microsoft/Swin-Transformer