【CVPR2019教程】视频理解中的图表示学习

【导读】近年来，卷积神经网络(ConvNets)在众多计算机视觉任务中的应用出现了戏剧性的增长。卷积的结构被证明是强大的，在许多任务中捕捉相关性和抽象概念的图像像素。然而，当计算机视觉处理更困难的人工智能任务时，ConvNets也被证明在建模相当多的属性方面存在缺陷。这些特性包括成对关系、全局上下文和处理空间网格之外的不规则数据的能力。

一个有效的方向是根据手头的任务用图重新组织要处理的数据，同时构建网络模块，在图中跨视觉元素关联和传播信息。我们将这些具有传播模块的网络称为图结构网络。在本教程中，我们将介绍一系列有效的图结构网络，包括非局部神经网络、空间传播网络、稀疏高维CNNs和场景图网络。我们也将讨论在许多视觉问题中仍然存在的相关开放挑战。

请关注专知公众号（点击上方蓝色专知关注）

• 后台回复“LGRVU” 就可以获取《Learning Graph Representations for Video Understanding》的下载链接~ 

【作者简介】

王小龙是卡内基梅陇大学机器人研究所的五年级博士生，导师是Abhinav Gupta教授。曾获得Facebook、NVIDIA、baidu Fellowship。他的研究方向是计算机视觉和机器学学习，如自主学习、视频理解、常识和互动等。

【部分PPT】

-END-

专 · 知

专知，专业可信的人工智能知识分发，让认知协作更快更好！欢迎登录www.zhuanzhi.ai，注册登录专知，获取更多AI知识资料！

欢迎微信扫一扫加入专知人工智能知识星球群，获取最新AI专业干货知识教程视频资料和与专家交流咨询！

请加专知小助手微信（扫一扫如下二维码添加），加入专知人工智能主题群，咨询技术商务合作~

专知《深度学习:算法到实战》课程全部完成！550+位同学在学习，现在报名，限时优惠！网易云课堂人工智能畅销榜首位！

点击“阅读原文”，了解报名专知《深度学习:算法到实战》课程