本文對最近被 TPAMI 接收的一篇綜述文章 Human Action Recognition from Various Data Modalities: A Review（基于不同數(shù)據(jù)模態(tài)的人類動作識別綜述）進(jìn)行解讀。

1 概述

人類動作識別（Human Action Recognition, HAR）旨在理解人類的行為，并為每個行為分配一個標(biāo)簽。多種不同的數(shù)據(jù)形態(tài)都可以用來表示人類的動作和行為。這些模態(tài)可以分為 2 類：視覺模態(tài)和非視覺模態(tài)，視覺模態(tài)和非視覺模態(tài)的主要區(qū)別在于：視覺模態(tài)的數(shù)據(jù)對人類行為的表示相對直觀，但是非視覺模態(tài)的數(shù)據(jù)則不是。視覺模態(tài)主要包括：如 RGB，骨架，深度，紅外，點(diǎn)云，事件流（event stream）等數(shù)據(jù)模態(tài)，而非視覺模態(tài)則主要包括音頻，加速度，雷達(dá)，wifi 信號等數(shù)據(jù)模態(tài)，如圖 1 所示。這些數(shù)據(jù)模態(tài)是對不同的信息來源進(jìn)行編碼，根據(jù)應(yīng)用場景的不同，不同模態(tài)的數(shù)據(jù)有著不同的獨(dú)特優(yōu)勢。

圖 1 HAR 任務(wù)中使用到的數(shù)據(jù)模態(tài) 該綜述對基于不同數(shù)據(jù)模態(tài)的深度學(xué)習(xí) HAR 方法的最新進(jìn)展做了一個綜合調(diào)研。介紹調(diào)研的主要內(nèi)容分為三部分（1）當(dāng)前主流的單模態(tài)深度學(xué)習(xí)方法。（2）當(dāng)前主流的多模態(tài)深度學(xué)習(xí)方法，包括基于融合（fusion）和協(xié)同學(xué)習(xí)（co-learning）的學(xué)習(xí)框架。（3）當(dāng)前 HAR 任務(wù)的主流數(shù)據(jù)集。

2 單模態(tài)學(xué)習(xí)方法

前文中已經(jīng)提到，不同模態(tài)具有著獨(dú)特的優(yōu)勢，在這些模態(tài)中，單獨(dú)使用 RGB / 光流模態(tài)和骨架模態(tài)的 HAR 工作相對較多。而其他模態(tài)由于其大多存在一些固有的缺陷，所以單獨(dú)使用的情況較少，大部分情況下都是與其他模態(tài)結(jié)合使用。

2.1 RGB 和光流模態(tài)

RGB 模態(tài)指的是由 RGB 相機(jī)捕獲的圖像或序列。而光流則是視頻圖像中同一對象（物體）像素點(diǎn)移動到下一幀的移動量，由于通常是由 RGB 模態(tài)數(shù)據(jù)所進(jìn)一步生成，所以下文中把 RGB 和光流模態(tài)統(tǒng)稱為 RGB 模態(tài)。RGB 模態(tài)的優(yōu)點(diǎn)和缺點(diǎn)都非常明顯，優(yōu)點(diǎn)主要有：（1）RGB 數(shù)據(jù)容易收集，通常是最常用的數(shù)據(jù)模態(tài)。（2）RGB 模態(tài)包含所捕獲的場景上下文的信息。（3）基于 RGB 的 HAR 方法也可以用來做 pretrained model。缺點(diǎn)主要有：（1）由于 RGB 數(shù)據(jù)中存在背景、視點(diǎn)、尺度和光照條件的變化，所以在 RGB 模態(tài)中進(jìn)行識別通常具有挑戰(zhàn)性。（2）RGB 視頻數(shù)據(jù)量較大，計算成本較高。圖 2 展示了基于 RGB 模態(tài)數(shù)據(jù)的 HAR 方法的主要分類，下面分別對這些方法進(jìn)行介紹。

圖 2 基于 RGB / 光流模態(tài)的 HAR 方法分類

基于 2D 雙流網(wǎng)絡(luò)的方法。

這類方法的核心思想是，通過兩個或多個 backbone 學(xué)習(xí)不同的視頻特征，[1]和 [2] 是這類方法中最具代表性的工作，[1]的兩個 stream 分別輸入 RGB 幀和多幀的光流，以分別學(xué)習(xí)外觀特征和運(yùn)動特征, RGB + 光流的模態(tài)組合也被很多后續(xù)的工作所效仿。[2]則對低分辨率 RGB 幀和高分辨率 RGB 幀的中心裁剪輸入兩個 stream 中，以降低計算量。 精確的光流獲取通常需要很高的計算成本，所以如何在較低的計算成本下獲取光流的近似或代替也是此類方法一個研究重點(diǎn)。如 [3] 提出了一個基于知識蒸餾的框架實(shí)現(xiàn)從使用光流訓(xùn)練的 teacher network 到使用 motion vector 作為輸入的 student 網(wǎng)絡(luò)的知識遷移。motion vector 可以直接從 compressed videos 中獲得，而不再需要額外的計算。

基于 RNN 的方法

2D 雙流網(wǎng)絡(luò)的一個缺點(diǎn)是對時序上的長期依賴關(guān)系的建模不足，那么使用時序建模的網(wǎng)絡(luò)如 LSTM，則可以彌補(bǔ)這一點(diǎn)。這類基于 RNN 的方法依據(jù)其核心貢獻(xiàn)又可以分為 4 小類：（1）2D CNN 與 RNN 的組合：如 [4] 使用 2D CNN 提取每個 frame 的特征，然后再使用 LSTM 生成動作標(biāo)簽。（2）attention 機(jī)制的引入，attention 機(jī)制主要包括空間的 attention 和時序的 attention，或兩者的組合。比如 [5] 設(shè)計了一個多層的 LSTM 模型，可以遞歸地輸出對下一幀的輸入 feature map 的 attention map。（3）使用 GRU 等模型來代替 RNN，相比于 RNN，GRU 的參數(shù)更少，但在 HAR 任務(wù)上通?？梢蕴峁┡c LSTM 相近的性能。（4）2D 雙流網(wǎng)絡(luò)和 RNN 的結(jié)合，比如 [6] 中利用 2D 雙流網(wǎng)絡(luò)分別提取 spatial 和短期的運(yùn)動特征，然后再分別輸入 2 個 LSTM 來提取長時的運(yùn)動信息。

基于 3D CNN 的方法。

基于 RNN 的方法通常是對 CNN 已經(jīng)提取出的 feature 進(jìn)行操作，而不是對原始的圖像序列進(jìn)行操作?；?3D CNN 的方法則可以做到這一點(diǎn)。基于 3D CNN 的方法依據(jù)其核心貢獻(xiàn)同樣分為 4 小類：（1）2D CNN 到 3D CNN 的擴(kuò)展，[7]使用 3D conv 從原始的視頻中直接學(xué)習(xí)時空特征。（2）對長時序依賴關(guān)系的建模，3D CNN 有著 CNN 共同的特點(diǎn)，側(cè)重于對 local 信息的提取，而對 global 信息的提取能力不足。[8]中提出了一個長時時間卷積框架，以降低空間分辨率為代價，增加了 3D 卷積在 temporal 維度上的感受野。（3）3D conv 的分解：3D 卷積通常包含大量的參數(shù)，也需要大量的訓(xùn)練數(shù)據(jù)，因此其計算量較大。[9]提出將 3D conv 分解成了空間上的 2d conv 和時間維度上的 1d conv。（4） 對 3D conv 中其他問題的討論，比如 [10] 從概率的角度分析了 3d conv 中的時空融合，[11]提出了一個隨機(jī)均值縮放的正則化方法來解決過擬合問題。

基于 transformer 的方法。

transformer 是一種以 attention 機(jī)制為核心的模型，其在長時序建模、多模態(tài)融合和多任務(wù)處理等方面具有良好的性能，由于 transformer 在 NLP 領(lǐng)域的成功應(yīng)用，目前也有很多將 transformer 應(yīng)用到 HAR 任務(wù)中的方法，如 [12] 通過把 video 分解成 frame-level 的 patches，將 VIT 應(yīng)用到了視頻中，并且在模型的每個 block 中分別應(yīng)用了 spatial 和 temporal 的 attention。 但是，transformer 的通病是其所需的顯存和計算開銷一般較大，所以也有很多工作，研究了如何降低基于 transformer 的視頻理解模型的復(fù)雜度，比如 [13] 將 3d 的視頻幀轉(zhuǎn)換成 2d 的 super image 作為 transformer 的輸入。[14]使用了在 spatial 維度進(jìn)行特征處理的 backbone（例如 2D CNN）和基于 temporal attention 的 encoder 來達(dá)到精度和速度之間的權(quán)衡。

2.2 骨架數(shù)據(jù)模態(tài)

骨架序列表人體關(guān)節(jié)的軌跡，這些軌跡可以用來表征人體的運(yùn)動，因此骨架數(shù)據(jù)是比較適配于 HAR 任務(wù)的一種數(shù)據(jù)模態(tài)，骨架數(shù)據(jù)提供的是身體結(jié)構(gòu)與姿態(tài)信息，其具有兩個明顯的優(yōu)點(diǎn)：（1）具有比例不變性。（2）對服裝紋理和背景是魯棒的。但同時也有兩個缺點(diǎn)：（1）骨架信息的表示比較稀疏，存在噪聲。（2）骨架數(shù)據(jù)缺少人 - 物交互時可能存在的形狀信息。圖 3 展示了基于骨架模態(tài)數(shù)據(jù)的 HAR 方法的主要分類，下面分別對這些方法進(jìn)行介紹。

圖 3 基于骨架數(shù)據(jù)模態(tài)的 HAR 方法分類

基于 RNN 的方法。

使用 RNN 的核心原因是希望能夠?qū)W習(xí)時序數(shù)據(jù)中的動態(tài)依賴性。這類基于 RNN 和骨架數(shù)據(jù)的 HAR 方法，大多聚焦于 RNN 或 LSTM 等模型在 HAR 任務(wù)上的改進(jìn)和應(yīng)用。如 [15] 將人體骨骼分為 5 個部分，這 5 部分分別輸入到多個雙向 RNN 中，然后再將其輸出進(jìn)行分層融合，以生成動作的高級表示。[16]提出了一個部分感知 LSTM，并模擬了 LSTM 單元中不同身體部分之間的關(guān)系。

基于 CNN 的方法。

CNN 以其在空間維度上卓越的特征提取和學(xué)習(xí)能力，在 2D 圖像識別任務(wù)中取得了巨大的成功。把 CNN 應(yīng)用到基于骨架數(shù)據(jù)的 HAR 任務(wù)中時，一個研究重點(diǎn)是對時空信息的建模。如 [17] 和[18]的思路是將骨架序列數(shù)據(jù)編碼成圖像，然后送入 CNN 中進(jìn)行動作識別，它們分別給出了骨骼光譜圖和關(guān)節(jié)軌跡圖。此外也有一些工作專注于解決某些特定的問題，比如視點(diǎn)變化問題和計算成本過高的問題。

基于 GNN/GCN 的方法。

將人體的骨架數(shù)據(jù)表示為一個序列或 2d/3d 的 image，并不能對身體關(guān)節(jié)作出完全準(zhǔn)確的模擬。而人體的骨架天然地就可以表示為一個 graph，因此基于 GNN 或 GCN 的 HAR 方法成為了近兩年一個熱門的研究方向。[19]將人體的骨架表示為了一個有向無環(huán)圖以有效地合并骨骼和關(guān)節(jié)信息。[20]設(shè)計了一個時空 GCN（Spatial-temporal GCN）以從骨架數(shù)據(jù)中分別學(xué)習(xí) spatial 和 temporal 的 feature。

基于 transformer 的方法。

將 transformer 應(yīng)用于骨骼序列的 HAR 任務(wù)時，研究的重點(diǎn)仍然是時空維度的建模。比如 [21] 中提出 Spatial-Temporal Specialized Transformer (STST)，其由一個 spatial transformer 模塊和一個 temporal transformer 模塊組成。spatial transformer 模塊用于捕捉 frame-level 的姿態(tài)信息，temporal transformer 用于在 temporal 維度上捕捉長動作。

2.3 深度模態(tài)

深度圖中的像素值表示的是從給定視點(diǎn)到場景中的點(diǎn)的距離，所以構(gòu)建深度圖的本質(zhì)是將 3D 數(shù)據(jù)轉(zhuǎn)換為 2D 的 image。該模態(tài)通常對顏色和紋理的變化比較魯棒，隨著技術(shù)的發(fā)展，現(xiàn)在已經(jīng)有多種設(shè)備可以捕獲場景中的深度圖。現(xiàn)有的對深度數(shù)據(jù)學(xué)習(xí)的方法大多數(shù)還是利用 CNN 提取深度圖中的 feature。深度數(shù)據(jù)可以提供幾何形狀信息，但是對外觀數(shù)據(jù)的提供是缺失的，所以深度數(shù)據(jù)通常不單獨(dú)使用，而是與其他模態(tài)的數(shù)據(jù)融合使用。

2.4 紅外模態(tài)

紅外數(shù)據(jù)的獲取主要有兩種方式：（1）主動式，發(fā)射紅外線，利用目標(biāo)反射的紅外線感知場景中的物體。（2）被動式，通過感知物體發(fā)出的紅外線來感知物體。在目前基于深度學(xué)習(xí)的方法中，比較多的做法是把紅外圖像作為其中一個 stream 輸入雙流或多流網(wǎng)絡(luò)中。紅外數(shù)據(jù)以其不需要依賴外部環(huán)境的可見光的特點(diǎn)，特別適合于夜間的 HAR，但是，紅外圖像也有著對比度低和信噪比低的固有缺點(diǎn)。

2.5 點(diǎn)云模態(tài)

點(diǎn)云數(shù)據(jù)由大量的點(diǎn)組成，這些點(diǎn)可以用來表示物體的空間分布和表面特征。作為一種三維數(shù)據(jù)形態(tài)，點(diǎn)云具有很強(qiáng)的表達(dá)物體輪廓和三維幾何形狀的能力，且對視點(diǎn)的變化不敏感。但是點(diǎn)云中通常存在噪聲和高度不均勻的點(diǎn)分布。[22]將原始的點(diǎn)云序列轉(zhuǎn)換為規(guī)則的體素集合，并應(yīng)用 temporal rank pooling 將 3D 動作信息編碼到一個單獨(dú)的 voxel set 中。最后通過 PonitNet++[23]將體素表示應(yīng)用于 3D HAR 任務(wù)中。但是將點(diǎn)云轉(zhuǎn)換為體素不僅效率較低，而且會帶來量化誤差。[24]提出直接堆疊多幀點(diǎn)云，并通過聚合 temporal 和 spatial 維度上的相鄰點(diǎn)的信息計算局部特征。

2.6 事件流模態(tài)

事件照相機(jī)（event camera）可以捕捉照明條件的變化并為每個像素獨(dú)立產(chǎn)生異步事件。傳統(tǒng)的攝像機(jī)通常會捕捉整個圖像陣列，而事件攝像機(jī)僅響應(yīng)視覺場景的變化。事件照相機(jī)能夠有效地濾除背景信息，而只保留前景運(yùn)動信息，這樣可以避免視覺信息中的大量冗余，但是其捕捉到的信息通常在時間和空間維度上是稀疏的，而且是異步的。因此一些現(xiàn)有的方法主要聚焦于設(shè)計事件聚合策略，將事件攝像機(jī)的異步輸出轉(zhuǎn)換為同步的視覺幀。

2.7 音頻模態(tài)

音頻信號通常與視頻信號一起提供，由于音頻和視頻是同步的，所以音頻數(shù)據(jù)可以用定位動作。因?yàn)橐纛l信號中的信息量是不足的，所以單獨(dú)使用音頻數(shù)據(jù)執(zhí)行 HAR 任務(wù)相對比較少見。更常見的情況是音頻信號作為 HAR 的補(bǔ)充信息，與其他模態(tài)（如 rgb 圖像）一起使用。

2.8 加速度模態(tài)

加速度信號通常是從加速度計中獲得，它具有以下的優(yōu)點(diǎn)：（1）對遮擋、視點(diǎn)、照明、背景等因素的變化具有魯棒性。（2）對某個特定的動作，人們一般都使用相似的方式完成，所以加速度信號對同一個動作的類內(nèi)方差較小。（3）加速模態(tài)可以用于細(xì)粒度的 HAR。但同時，該模態(tài)也存在一些固有的局限性：（1）志愿者需要隨身佩戴傳感器，而且這些傳感器通常比較笨重。（2）傳感器在人體上的具體位置對性能會有比較明顯的影響。

2.9 雷達(dá)模態(tài)

雷達(dá)的工作原理是發(fā)射電磁波并接收來自目標(biāo)的回波，其優(yōu)勢是對照明和天氣條件變化魯棒，并且具有穿墻感知的能力，但昂貴的傳感器成本是制約其實(shí)際應(yīng)用的重要因素?，F(xiàn)有的方法將多普勒頻譜圖視作時間序列或圖像，并分別送入 RNN 和 CNN 中以預(yù)測行為類別，目前也有一些方法，將雷達(dá)模態(tài)的數(shù)據(jù)納入到了雙流網(wǎng)絡(luò)結(jié)構(gòu)中。

2.10 wifi 模態(tài)

wifi 是現(xiàn)在最常見的室內(nèi)無線信號類型之一，由于人體是無線信號的良好反射體，所以 wifi 信號可以用于 HAR 任務(wù)，現(xiàn)有的基于 wifi 的 HAR 方法大多使用信道狀態(tài)信息（CSI）來執(zhí)行 HAR 任務(wù)。如何更有效地利用 CSI 的相位和幅度信息，以及如何在處理動態(tài)環(huán)境時提高魯棒性，是目前基于 wifi 的 HAR 任務(wù)所面臨的主要挑戰(zhàn)。

3 多模態(tài)學(xué)習(xí)方法

多模態(tài)機(jī)器學(xué)習(xí)是一種建模方法，旨在處理和關(guān)聯(lián)來自多模態(tài)的視覺信息，通過聚合各種數(shù)據(jù)模態(tài)的優(yōu)勢，多模態(tài)學(xué)習(xí)可以在 HAR 任務(wù)上得到更魯棒和準(zhǔn)確的結(jié)果。多模態(tài)學(xué)習(xí)方法主要有兩種，融合（fusion）和協(xié)同學(xué)習(xí)（co-learning）。其中融合指的是對來自兩個或更多模態(tài)的信息進(jìn)行集成，并將其用于訓(xùn)練或推理，而協(xié)同學(xué)習(xí)指的則是對不同模態(tài)之間的知識進(jìn)行遷移。圖 4 展示了多模態(tài)學(xué)習(xí)方法的分類，對于每種類型的多模態(tài)學(xué)習(xí)方法，本篇解讀會介紹原綜述文章中提及的一些具有代表性的方法，更多的方法介紹請直接閱讀原綜述文章。

圖 4 多模態(tài) HAR 方法分類

3.1 HAR 任務(wù)中的多模態(tài)融合

模態(tài)融合的目的是利用不同數(shù)據(jù)模態(tài)的互補(bǔ)優(yōu)勢，以達(dá)到更好的識別性能?，F(xiàn)有的多模態(tài)融合方案主要有兩種：（1）評分融合（score fusion），即對不同模態(tài)輸出的 score 做融合，例如使用加權(quán)平均或?qū)W習(xí)一個分?jǐn)?shù)融合模型。（2）特征融合，即對來自不同模態(tài)的特征進(jìn)行組合。數(shù)據(jù)融合（在特征提取之前就融合不同模態(tài)的輸入數(shù)據(jù)）可以看成是特征融合，因?yàn)槟骋荒B(tài)的數(shù)據(jù)可以被視為該模態(tài)的原始特征。依據(jù)輸入模態(tài)的不同，現(xiàn)有的多模態(tài)融合方法大概可以分為視覺模態(tài)之間的融合，與視覺 + 非視覺模態(tài)之間的融合兩種，下面對這兩類方法分別做一個較為詳細(xì)的介紹。

視覺模態(tài)之間的融合

（1）RGB + 深度模態(tài)：RGB 和深度模態(tài)分別能夠捕捉外觀信息和 3D 形狀信息，因此它們具有比較強(qiáng)的互補(bǔ)性。[25]提出了一個 four-stream CNN，其中一個 stream 輸入 RGB 數(shù)據(jù)，剩下三個 stream 分別輸入三個不同視點(diǎn)下捕捉的深度運(yùn)動圖，融合策略選擇評分融合。[26]將 RGB 和深度數(shù)據(jù)看做兩對 RGB 和深度的動態(tài)圖像，通過一個協(xié)同訓(xùn)練的 CNN 提取特征，并聯(lián)合優(yōu)化排序損失和 softmax 損失來進(jìn)行訓(xùn)練。[27]同樣提出了一個多流混合網(wǎng)絡(luò)，該網(wǎng)絡(luò)分別使用 CNN 和 3D convLSTM 來提取來自 RGB 和深度圖的特征，然后通過典型關(guān)聯(lián)分析（Canonical Correlation Analysis）進(jìn)行模態(tài)間的信息融合。

（2）RGB + 骨架模態(tài)：骨架模態(tài)可以提供身體位置和關(guān)節(jié)運(yùn)動信息，同樣和 RGB 模態(tài)是互補(bǔ)的。[28]提出了一個雙流深度網(wǎng)絡(luò)，兩個 stream 分別是 CNN 和 RNN，用以分別處理 RGB 和骨架數(shù)據(jù)，融合方式同時嘗試了特征融合和分?jǐn)?shù)融合，并發(fā)現(xiàn)應(yīng)用特征融合策略可以取得更好的效果。[29]設(shè)計了一個 three-stream 的 3D CNN 來分別處理人體姿態(tài)、運(yùn)動和 RGB 圖像，通過馬爾科夫鏈來融合三個 stream，并用于動作分類。[30]提出了一種時空 LSTM 網(wǎng)絡(luò)，它能夠在 LSTM 單元內(nèi)有效地融合 RGB 和骨架特征。

（3）深度圖 + 骨架模態(tài)：[31]將身體的每個部分與其他部分之間的相對幾何關(guān)系作為骨架特征，將不同身體部分周圍的深度圖像塊作為外觀特征，以編碼身體 - 對象和身體部分 - 身體部分之間的關(guān)系，進(jìn)而實(shí)現(xiàn)可靠的 HAR。[32]提出了一種 three-stream 的 2D CNN，對深度和骨架序列提取的三種不同的手工特征進(jìn)行分類，然后采用評分融合模塊得到最終的分類結(jié)果。

（4）RGB + 深度圖 + 骨架模態(tài)：這類方法大多是前文提到的三類多模態(tài)融合方法的擴(kuò)展。如 [33] 研究了模態(tài)之間的相關(guān)性，將它們分解成相關(guān)和獨(dú)立的成分，然后使用一個結(jié)構(gòu)化的基于稀疏性的分類器輸出分類結(jié)果。[34]從每個模態(tài)提取 temporal feature map，然后再在模態(tài)維度對這些 feature map 執(zhí)行 concat 操作，以獲得跨 RGB、骨架和深度模態(tài)的時變信息。[35]提出了一個 five-stream network，歷史運(yùn)動圖像、深度運(yùn)動圖、以及三個分別從 RGB, 深度和骨架序列生成的骨架圖像分別是這 5 個 stream 的輸入。

（5）其他視覺模態(tài)間的融合：這些方法的思路與前文中所述的基本類似，比如 [36] 中提出了一個基于 TSN[37]的多模態(tài)融合模型，RGB、深度圖、紅外和光流序列分別使用 TSN 執(zhí)行初始分類，然后使用一個融合網(wǎng)絡(luò)，以獲取最終的分類分?jǐn)?shù)。

視覺模態(tài) + 非視覺模態(tài)的融合

同樣地，視覺與非視覺模態(tài)的融合，其目的也是希望能夠利用不同模態(tài)之間的互補(bǔ)性，得到更精確的 HAR 模型。

（1）視頻與音頻的融合：前文中已經(jīng)提到，音頻可以為視頻的外觀和運(yùn)動信息提供補(bǔ)充信息。所以目前已經(jīng)有一些基于深度學(xué)習(xí)的方法來融合這種模態(tài)的數(shù)據(jù)，比如 [38] 引入了一個 three-stream 的 CNN，從音頻信號，RGB 幀和光流中分別提取特征，然后再進(jìn)行融合（在該文中，特征融合的效果好于評分融合）。[39]是 [37] 的一個改進(jìn)，其在每個時間綁定窗口內(nèi)融合多模態(tài)輸入序列（也就是說，融合來自不同模態(tài)的信息可能是異步的）。[40]利用音頻信號減少了視頻中的時間冗余，其思想是把使用 video clips 訓(xùn)練的 teacher network 中的知識提取到使用圖像 - 音頻對訓(xùn)練的 student network 中。

（2）視頻與加速度模態(tài)的融合：現(xiàn)有的基于深度學(xué)習(xí)的視頻與加速度模態(tài)融合的方法大多是采用雙流或多流網(wǎng)絡(luò)的架構(gòu)，比如 [41] 將慣性信號表示為圖像，然后使用兩個 CNN 分別處理視頻和慣性信號，最后使用評分融合的方法融合兩個模態(tài)的信號。[42]則是將 3D 視頻幀序列和 2D 的慣性圖像分別送入 3D CNN 和 2D CNN 中，然后執(zhí)行模態(tài)間的融合。

（3）其他類型的模態(tài)融合：這類方法中，相對比較有代表性的是 [43] 和[44]，其中 [43] 的核心思想是將非 RGB 模態(tài)的數(shù)據(jù)，包括骨架、加速度和 wifi 數(shù)據(jù)都轉(zhuǎn)換成彩色圖像，然后送入 CNN 中。[44]則提出了一種 video-audio-text transformer（VATT），將視頻，音頻和文本數(shù)據(jù)的線性投影作為 transformer 的輸入，并提取多模態(tài)的特征表示，VATT 還量化了不同模態(tài)的粒度，并且采用視頻 - 音頻對和視頻 - 文本對的 NCE Loss 進(jìn)行訓(xùn)練。

3.2 HAR 任務(wù)中的多模態(tài)協(xié)同學(xué)習(xí)

多模態(tài)協(xié)同學(xué)習(xí)旨在探索如何利用輔助模態(tài)學(xué)習(xí)到的知識幫助另一個模態(tài)的學(xué)習(xí)，希望通過跨模態(tài)的知識傳遞和遷移可以克服單一模態(tài)的缺點(diǎn)，提高性能。多模態(tài)協(xié)同學(xué)習(xí)與多模態(tài)融合的一個關(guān)鍵區(qū)別在于，在多模態(tài)協(xié)同學(xué)習(xí)中，輔助模態(tài)的數(shù)據(jù)僅僅在訓(xùn)練階段需要，測試階段并不需要。所以多模態(tài)協(xié)同學(xué)習(xí)尤其適用于模態(tài)缺失的場景。此外對于模態(tài)樣本數(shù)較小的場景，多模態(tài)協(xié)同學(xué)習(xí)也可以起到一定的幫助作用。

視覺模態(tài)的協(xié)同學(xué)習(xí)

（1）RGB 和深度模態(tài)的協(xié)同學(xué)習(xí)。如 [45] 使用知識蒸餾的方法實(shí)現(xiàn)模態(tài)間的協(xié)同學(xué)習(xí)，其中 teacher network 輸入深度圖，而 student network 輸入的則是 RGB 圖像。[46]提出了一種基于對抗學(xué)習(xí)的知識提取策略用來訓(xùn)練 student network。[47]則提出了一種合作學(xué)習(xí)策略，即在不同的輸入模態(tài)中，使用分類損失最小的模態(tài)所生成的預(yù)測標(biāo)簽，作為其他模態(tài)訓(xùn)練的附加監(jiān)督信息。 （2）RGB 和骨架模態(tài)的協(xié)同學(xué)習(xí)。如 [48] 利用 CNN+LSTM 執(zhí)行基于 RGB 視頻的分類，并利用在骨架數(shù)據(jù)上訓(xùn)練的 LSTM 模型充當(dāng)調(diào)節(jié)器，強(qiáng)制兩個模型的輸出特征相似。 （3）其他視覺模態(tài)的協(xié)同學(xué)習(xí)。除了 RGB、骨架、深度模態(tài)的協(xié)同學(xué)習(xí)之外，目前也有一些其他的視覺模態(tài)的協(xié)同學(xué)習(xí)的工作，比如 [49] 提出了一種可遷移的生成模型，該模型使用紅外視頻作為輸入，并生成與其對應(yīng)的 RGB 視頻的虛假特征表達(dá)。該方法的生成器由兩個子網(wǎng)絡(luò)組成，第一個子網(wǎng)絡(luò)用以區(qū)分生成的虛假特征和真實(shí)的 RGB 特征，第二個子網(wǎng)絡(luò)將紅外視頻的特征表達(dá)和生成的特征作為輸入，執(zhí)行動作的分類。

視覺和非視覺模態(tài)的協(xié)同學(xué)習(xí)

這類工作可以大致分為兩種類型，第一種類型是在不同模態(tài)之間進(jìn)行知識的遷移，如 [50] 中的 teacher network 使用非視覺模態(tài)訓(xùn)練，而 student network 使用 RGB 模態(tài)作為輸入，通過強(qiáng)制 teacher 和 student 的 attention map 相似以彌補(bǔ)模態(tài)間的形態(tài)差距，并實(shí)現(xiàn)知識的提煉。第二種類型是利用不同模態(tài)之間的相關(guān)性進(jìn)行自監(jiān)督學(xué)習(xí)，比如 [51] 分別利用音頻 / 視頻模態(tài)中的無監(jiān)督聚類結(jié)果作為視頻 / 音頻模態(tài)的監(jiān)督信號。[52]使用視頻和音頻的時間同步信息作為自監(jiān)督信號。

4 現(xiàn)有的數(shù)據(jù)集

原論文中的 table 6 展示了目前 HAR 任務(wù)的各個數(shù)據(jù)模態(tài)的數(shù)據(jù)集，展示如下：

可以看到，對于絕大部分?jǐn)?shù)據(jù)模態(tài)，目前都存在對應(yīng)的數(shù)據(jù)集，這些數(shù)據(jù)集也在很大程度上方便了我們對 HAR 任務(wù)的研究和探索。 5 總結(jié) 作者在原綜述文章的最后一部分展望了 HAR 領(lǐng)域未來的發(fā)展方向，作者認(rèn)為有 6 個方向可能是未來研究和探索的重點(diǎn)，分別是：（1）新的數(shù)據(jù)集（比如不受控環(huán)境下的多模態(tài)數(shù)據(jù)集）；（2）多模態(tài)學(xué)習(xí)；（3）高效的行為分析；（4）早期行為識別（即只有一部分動作被執(zhí)行）；（5）大規(guī)模訓(xùn)練；（6）無監(jiān)督和半監(jiān)督學(xué)習(xí)。作者還提到，他們會定期地收集 HAR 領(lǐng)域的最新進(jìn)展并更新到本綜述文章中。

6 個人思考

該綜述調(diào)研了約 500 篇文章，涵蓋了 HAR 任務(wù)中可能使用的各個模態(tài)，是對這一領(lǐng)域非常全面的總結(jié)。從綜述中可以看到，無論是單模態(tài)還是多模態(tài)的模型，其 backbone 通常都是以下幾種網(wǎng)絡(luò)之一（或它們的組合）:

（1）2D CNN（空間信息的提取）；

（2）RNN/LSTM/GRU（時序信息的提取）；

（3）3D CNN（時間 + 空間維度的信息提取）；

（4）GNN/GCN（節(jié)點(diǎn)之間的關(guān)系抽?。?/p>

（5）transformer（長時序建模）。

對于 HAR 任務(wù)中的多模態(tài)融合來說，目前最常見的做法是使用一個雙流或多流網(wǎng)絡(luò)，每個 stream 分別提取一個模態(tài)的特征，然后再后接一個多模態(tài)融合模塊。對于 HAR 任務(wù)中的多模態(tài)協(xié)同學(xué)習(xí)來說，目前常見的做法則是使用跨模態(tài)知識蒸餾或?qū)箤W(xué)習(xí)的框架完成。這些 backbone 和融合 / 協(xié)同學(xué)習(xí)策略的組合，可以概括目前 HAR 領(lǐng)域的大部分文章。 對不同模態(tài)的數(shù)據(jù)，往往需要不同的模型來提取其特征，這對于 HAR 的模型設(shè)計來說是非常不方便的。有時為了適配現(xiàn)有的模型，需要對某些模態(tài)的數(shù)據(jù)做一些特定的預(yù)處理（比如目前提取音頻模態(tài)特征的一種常用方法是，將一維的音頻信號轉(zhuǎn)換成二維的頻譜圖，再送入 CNN 中進(jìn)行特征提?。@些特定的預(yù)處理可能存在一定的信息丟失。所以是否可以有一種通用的模型，能夠比較好地處理各種形態(tài)不同的多模態(tài)數(shù)據(jù)呢？這是目前整個 AI 界都比較關(guān)注的一個問題，而其在 HAR 任務(wù)上體現(xiàn)的尤為明顯。transformer 目前在圖像、文本等模態(tài)中都取得了非常好的效果，它能否成為我們期待的通用模型呢？以現(xiàn)在 AI 領(lǐng)域日新月異的發(fā)展速度，我相信我們很快就可以看到答案。 另外，該綜述的多模態(tài)學(xué)習(xí)部分，按照使用的模態(tài)對現(xiàn)有的工作進(jìn)行了分類總結(jié)，而多模態(tài)學(xué)習(xí)的研究核心，很大的一部分在于模態(tài)間的融合或協(xié)同學(xué)習(xí)的策略，如果能夠按照具體的融合或協(xié)同學(xué)習(xí)的策略對現(xiàn)有的工作進(jìn)行分類總結(jié)，可能會更好一些。

參考文獻(xiàn)

[1] K. Simonyan and A. Zisserman, "Two-stream convolutional networks for action recognition in videos," in Advances in Neural Information Processing Systems, vol. 27, 2014.

[2] A. Karpathy, G. Toderici, S. Shetty, T. Leung, R. Sukthankar, and L. Fei-Fei, "Large-scale video classification with convolutional neural networks," in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2014, pp. 1725-1732.

[3] B. Zhang, L. Wang, Z. Wang, Y. Qiao, and H. Wang, "Real-time action recognition with enhanced motion vector cnns," in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016, pp. 2718-2726.

[4] J. Donahue, L. Anne Hendricks, S. Guadarrama, M. Rohrbach, S. Venugopalan, K. Saenko, and T. Darrell, "Long-term recurrent convolutional networks for visual recognition and description," in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2015, pp. 2625-2624.

[5] S. Sharma, R. Kiros, and R. Salakhutdinov, "Action recognition using visual attention," arXiv preprint arXiv:1511.04119, 2015.

[6] Z. Wu, X. Wang, Y.-G. Jiang, H. Ye, and X. Xue, “Modeling spatial-temporal clues in a hybrid deep learning framework for video classification,” in Proceedings of the 23rd ACM international conference on Multimedia, 2015, pp. 461-470.

[7] D. Tran, L. Bourdev, R. Fergus, L. Torresani, and M. Paluri, "Learning spatiotemporal features with 3d convolutional networks," in Proceedings of the IEEE International Conference on Computer Vision, 2015, pp. 4489-4497.

[8] G. Varol, I. Laptev, and C. Schmid, "Long-term temporal convolutions for action recognition," IEEE transactions on pattern analysis and machine intelligence, vol. 40, no. 6, pp. 1510-1517, 2017.

[9] Z. Qiu, T. Yao, and T. Mei, "Learning spatio-temporal representation with pseudo-3d residual networks," in Proceedings of the IEEE International Conference on Computer Vision, 2017, pp. 4489-4497.

[10] Y. Zhou, X. Sun, C. Luo, Z.-J. Zha, and W. Zeng, "Spatiotemporal fusion in 3d cnns: A probabilistic view," in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2020, pp. 1725-1732.

[11] J. Kim, S. Cha, D. Wee, S. Bae, and J. Kim, "Regularization on spatio-temporally smoothed feature for action recognition," in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2020, pp. 12103-12112.

[12] ] G. Bertasius, H. Wang, and L. Torresani, "Is space-time attention all you need for video understanding?," in ICML, vol. 2, no. 3, 2021.

[13] Q. Fan, C.-F. Chen, and R. Panda, "Can an image classifier suffice for action recognition?," in International Conference on Learning Representations, 2022.

[14] D. Neimark, O. Bar, M. Zohar, and D. Asselmann, "Video transformer network," in Proceedings of the IEEE International Conference on Computer Vision, 2021, pp. 3163-3172.

[15] Y. Du, W. Wang, and L. Wang, "Hierarchical recurrent neural network for skeleton based action recognition," in Proceedings of the IEEE International Conference on Computer Vision, 2015, pp. 1110-1118.

[16] A. Shahroudy, J. Liu, T.-T. Ng, and G. Wang, "Ntu rgb+d: A large scale dataset for 3d human activity analysis," in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016, pp. 1010-1019.

[17] Y. Hou, Z. Li, P. Wang, and W. Li, "Skeleton optical spectra-based action recognition using convolutional neural networks," IEEE Transactions on Circuits and Systems for Video Technology, vol. 28, no. 3, 2016.

[18] P. Wang, Z. Li, Y. Hou, and W. Li, "Action recognition based on joint trajectory maps using convolutional neural networks," in Proceedings of the 24th ACM international conference on Multimedia, 2016, pp. 102-106.

[19] L. Shi, Y. Zhang, J. Cheng, and H. Lu, "Skeleton-based action recognition with directed graph neural networks," in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2019, pp. 7912-7921.

[20] S. Yan, Y. Xiong, and D. Lin, "Spatial temporal graph convolutional networks for skeleton-based action recognition," in Thirty-second AAAI conference on artificial intelligence, 2018.

[21] Y. Zhang, B. Wu, W. Li, L. Duan, and C. Gan, "Stst: Spatial-temporal specialized transformer for skeleton-based action recognition," in Proceedings of the 29th ACM international conference on Multimedia, 2021, pp. 3229-3237.

[22] Y. Wang, Y. Xiao, F. Xiong, W. Jiang, Z. Cao, J. T. Zhou, and J. Yuan, "3dv: 3d dynamic voxel for action recognition in depth video," in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2020, pp. 511-520.

[23] C. R. Qi, L. Yi, H. Su, and L. J. Guibas, "Pointnet++: Deep hierarchical feature learning on point sets in a metric space," in Advances in Neural Information Processing Systems, vol. 30, 2017.

[24] X. Liu, M. Yan, and J. Bohg, "Meteornet: Deep learning on dynamic 3d point cloud sequences," in Proceedings of the IEEE International Conference on Computer Vision, 2019, pp. 9246-9255.

[25] J. Imran and P. Kumar, "Human action recognition using rgb-d sensor and deep convolutional neural networks," in 2016 international conference on advances in computing, communications and informatics (ICACCI), 2016, pp. 144-148.

[26] P. Wang, W. Li, J. Wan, P. Ogunbona, and X. Liu, "Cooperative training of deep aggregation networks for rgb-d action recognition," in Thirty-second AAAI conference on artificial intelligence, 2018.

[27] H. Wang, Z. Song, W. Li, and P. Wang, "A hybrid network for large-scale action recognition from rgb and depth modalities," Sensors, vol. 20, no. 11, 2020.

[28] R. Zhao, H. Ali, and P. Van der Smagt, "Two-stream rnn/cnn for action recognition in 3d videos," in 2017 IEEE/RSJ International Conference on Intelligent Robots and Systems (IROS), 2017, pp. 4260-4267.

[29] M. Zolfaghari, G. L. Oliveira, N. Sedaghat, and T. Brox, "Chained multi-stream networks exploiting pose, motion, and appearance for action classification and detection," in Proceedings of the IEEE International Conference on Computer Vision, 2019, pp. 2904-2913.

[30] J. Liu, A. Shahroudy, D. Xu, A. C. Kot, and G. Wang, "Skeleton-based action recognition using spatio-temporal lstm network with trust gates," IEEE transactions on pattern analysis and machine intelligence, vol. 40, no. 12, pp. 3007-3021, 2017.

[31] H. Rahmani and M. Bennamoun, "Learning action recognition model from depth and skeleton videos," in Proceedings of the IEEE International Conference on Computer Vision, 2017, pp. 5832-5841.

[32] S. S. Rani, G. A. Naidu, and V. U. Shree, "Kinematic joint descriptor and depth motion descriptor with convolutional neural networks for human action recognition," Materials Today, vol. 37, 3164-3173, 2021.

[33] A. Shahroudy, T.-T. Ng, Y. Gong, and G. Wang, "Deep multimodal feature analysis for action recognition in rgb+d videos," IEEE transactions on pattern analysis and machine intelligence, vol. 40, no. 5, pp. 1045-1058, 2017.

[34] J.-F. Hu, W.-S. Zheng, J. Pan, J. Lai, and J. Zhang, "Deep bilinear learning for rgb-d action recognition," in Proceedings of the European Conference on Computer Vision, 2018, pp. 5832-5841.

[35] P. Khaire, P. Kumar, and J. Imran, "Combining cnn streams of rgb-d and skeletal data for human activity recognition," Pattern Recognition Letters, vol. 115, pp. 107-116, 2018.

[36] S. Ardianto and H.-M. Hang, "Multi-view and multi-modal action recognition with learned fusion," in 2018 Asia-Pacific Signal and Information Processing Association Annual Summit and Conference (APSIPA ASC), pp. 1601-1604, 2018.

[37] L. Wang, Y. Xiong, Z. Wang, Y. Qiao, D. Lin, X. Tang, and L. Van Gool, "Temporal segment networks: Towards good practices for deep action recognition," in Proceedings of the European Conference on Computer Vision, 2016, pp. 20-36.

[38] C. Wang, H. Yang, and C. Meinel, "Exploring multimodal video representation for action recognition,"in 2016 International Joint Conference on Neural Networks (IJCNN), pp. 1924-1931, 2016.

[39] E. Kazakos, A. Nagrani, A. Zisserman, and D. Damen, "Epic-fusion: Audiovisual temporal binding for egocentric action recognition," in Proceedings of the IEEE International Conference on Computer Vision, 2019, pp. 5492-5501.

[40] R. Gao, T.-H. Oh, K. Grauman, and L. Torresani, "Listen to look: Action recognition by previewing audio," in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2020, pp. 10457-10467.

[41] N. Dawar and N. Kehtarnavaz, "A convolutional neural network-based sensor fusion system for monitoring transition movements in healthcare applications," in 2018 IEEE 14th International Conference on Control and Automation (ICCA), pp. 482-485, 2018.

[42] H. Wei, R. Jafari, and N. Kehtarnavaz, "Fusion of video and inertial sensing for deep learning–based human action recognition," Sensors, vol. 19, no. 17, 2019.

[43] A. Gorban, H. Idrees, Y.-G. Jiang, A. Roshan Zamir, I. Laptev, M. Shah, and R. Sukthankar, "THUMOS challenge: Action recognition with a large number of classes." http://www.thumos.info/, 2015.

[44] H. Akbari, L. Yuan, R. Qian, W.-H. Chuang, S.-F. Chang, Y. Cui, and B. Gong, "Vatt: Transformers for multimodal self-supervised learning from raw video, audio and text,"in Advances in Neural Information Processing Systems, vol. 27, 2014.

[45] N. C. Garcia, P. Morerio, and V. Murino, "Modality distillation with multiple stream networks for action recognition," in Proceedings of the European Conference on Computer Vision, 2018, pp. 5832-5841.

[46] N. C. Garcia, P. Morerio, and V. Murino, "Learning with privileged information via adversarial discriminative modality distillation," IEEE transactions on pattern analysis and machine intelligence, vol. 42, no. 10, pp. 2581-2593, 2019.

[47] N. C. Garcia, S. A. Bargal, V. Ablavsky, P. Morerio, V. Murino, and S. Sclaroff, "Dmcl: Distillation multiple choice learning for multimodal action recognition," arXiv preprint arXiv:1912.10982, 2019.

[48] B. Mahasseni and S. Todorovic, "Regularizing long short term memory with 3d human-skeleton sequences for action recognition," in Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2016, pp. 3054-3062.

[49] . Wang, C. Gao, L. Yang, Y. Zhao, W. Zuo, and D. Meng, "Pm-gans: Discriminative representation learning for action recognition using partial-modalities," in Proceedings of the European Conference on Computer Vision, 2018, pp. 384-401.

[50] Y. Liu, K. Wang, G. Li, and L. Lin, "Semantics-aware adaptive knowledge distillation for sensor-to-vision action recognition," IEEE Transactions on Image Processing, vol. 30, pp. 5573-5588, 2021.

[51] H. Alwassel, D. Mahajan, L. Torresani, B. Ghanem, and D. Tran, "Self supervised learning by cross-modal audio-video clustering," arXiv preprint arXiv:1911.12667, 2019.

[52] B. Korbar, D. Tran, and L. Torresani, "Cooperative learning of audio and video models from self-supervised synchronization," in Advances in Neural Information Processing Systems, vol. 31, 2018.

編輯：黃飛