What does C3D learn? We use the dec

What does C3D learn? We use the deconvolution method explained in [46] to understand what C3D is learning internally. We observe that C3D starts by focusing on appearance in the first few frames and tracks the salient motion in the subsequent frames. Figure 4 visualizes deconvolution of two C3D conv5b feature maps with highest activations projected back to the image space. In the first example, the feature focuses on the whole person and then tracks the motion of the pole vault performance over the rest of the frames. Similarly in the second example it first focuses on the eyes and then tracks the motion happening around the eyes while applying the makeup. Thus C3D differs from standard 2D ConvNets in that it selectively attends to both motion and appearance. We provide more visualizations in the supplementary material to give a better insight about the learned feature.

Kết quả (Việt) 1:

C3D học những gì? Chúng tôi sử dụng phương pháp deconvolution giải thích trong [46] để hiểu những gì C3D học tập trong nội bộ. Chúng tôi quan sát C3D bắt đầu bằng cách tập trung vào sự xuất hiện trong lần đầu tiên vài khung hình và theo dõi chuyển động nổi bật trong các khung hình tiếp theo. Hình 4 visualizes deconvolution hai C3D conv5b tính năng bản đồ với kích hoạt cao nhất dự kiến sẽ trở lại hình ảnh không gian. Trong ví dụ đầu tiên, các tính năng tập trung vào con người và sau đó theo dõi chuyển động của hiệu suất sào qua phần còn lại của các khung. Tương tự như trong ví dụ thứ hai nó lần đầu tiên tập trung vào đôi mắt và sau đó theo dõi các chuyển động xảy ra xung quanh mắt trong khi áp dụng các trang điểm. Do đó C3D khác với tiêu chuẩn ConvNets 2D trong đó nó có chọn lọc theo học để chuyển động và sự xuất hiện. Chúng tôi cung cấp các kiểu trực quan thêm trong các tài liệu bổ sung để cung cấp cho một cái nhìn tốt hơn về các tính năng đã học được.

Kết quả (Việt) 2:

không C3D học những gì? Chúng tôi sử dụng phương pháp bước đầu thực giải thích trong [46] để hiểu những gì C3D được học tập trong nội bộ. Chúng tôi nhận thấy rằng C3D bắt đầu bằng cách tập trung vào xuất hiện trong vài khung hình đầu tiên và theo dõi các chuyển động nổi bật trong khung tiếp theo. Hình 4 hình dung bước đầu thực của hai bản đồ đặc conv5b C3D với kích hoạt cao nhất dự kiến ​​trở lại không gian ảnh. Trong ví dụ đầu tiên, tính năng tập trung vào toàn bộ người và sau đó theo dõi sự chuyển động của việc thực hiện hầm cực hơn phần còn lại của khung hình. Tương tự như trong ví dụ thứ hai nó đầu tiên tập trung vào đôi mắt và sau đó theo dõi các chuyển động xảy ra xung quanh mắt, trong khi áp dụng trang điểm. Như vậy C3D khác ConvNets 2D chuẩn ở chỗ nó có chọn lọc tham dự cho cả hai chuyển động và xuất hiện. Chúng tôi cung cấp nhiều hình tượng trong các tài liệu bổ sung để cung cấp cho một cái nhìn sâu sắc hơn về các tính năng đã học.