摘要

视频中的物体通常表现出连续平滑的运动。我们从三个方面利用这种连续平滑的运动特性：1) 通过将物体运动作为额外的监督源来提高准确性，这可以通过从静态关键帧预测物体位置来实现。2) 通过仅在所有帧的一小部分上进行昂贵的特征计算来提高效率。由于相邻视频帧往往具有冗余性，我们只需为一个静态关键帧计算特征，并预测后续帧中的物体位置。3) 减少标注成本，即仅对关键帧进行标注，并利用关键帧之间的平滑伪运动（smooth pseudo-motion）。我们在四个数据集上展示了计算效率、标注效率以及相对于现有最佳方法改进的平均精度：ImageNet VID、EPIC KITCHENS-55、YouTube-BoundingBoxes 和 Waymo Open 数据集。我们的源代码可在 https://github.com/L-KID/Videoobject-detection-by-location-anticipation 获取。