導(dǎo)讀

日前，計算機視覺和模式識別領(lǐng)域的三大頂級會議之一CVPR正在進行中，深蘭DeepBlueAI團隊在動作識別國際挑戰(zhàn)賽 （ActivityNet） 研討會上，參加了 MMAct 挑戰(zhàn)賽中僅設(shè)的兩個賽道——“跨模態(tài)裁剪動作識別”和“跨模態(tài)未裁剪動作時序定位”，并均以大比分領(lǐng)先取得第一。

冠軍方案解讀

競賽要求參賽者提出跨模態(tài)視頻動作識別/定位方法，以彌補使用 MMAct［1］ 數(shù)據(jù)集的純視覺方法的缺點。此任務(wù)的目標(biāo)是利用基于傳感器的，例如穿戴式傳感器數(shù)據(jù)作為特權(quán)信息，以及基于視覺的模態(tài)，其方式可以克服訓(xùn)練（傳感器 + 視頻）和測試（僅視頻）階段之間模態(tài)差異所帶來的限制。用于此競賽的多模態(tài)數(shù)據(jù)包括：加速度、方向、陀螺儀、RGB 視頻和人體關(guān)鍵點。

挑戰(zhàn)賽促進了關(guān)于如何通過使用跨模態(tài)方法解決視覺挑戰(zhàn)的另一種觀點，希望擴大對視頻動作理解的研究，以進一步利用日常使用的智能設(shè)備（例如智能手機）中的傳感器。

賽題一

跨模態(tài)裁剪動作識別

Cross-Modal Trimmed Action Recognition

在此任務(wù)中，參與者使用來自MMAct 的修剪視頻以及配對的傳感器數(shù)據(jù)，在數(shù)據(jù)中包含交叉視角和交叉場景兩種類型的數(shù)據(jù)，共35個動作類別。任務(wù)允許參與者使用修剪過的傳感器數(shù)據(jù)和修剪過的視頻進行訓(xùn)練，但不能同時使用交叉視角和交叉場景的數(shù)據(jù)，且僅對修剪過的視頻進行測試以進行動作識別，并采用mAP作為評價指標(biāo)。

賽題難點：

不同視頻等多模態(tài)數(shù)據(jù)時序長度變化大，從幾秒到幾分鐘不等；

測試階段只提供了視頻數(shù)據(jù)。

應(yīng)用場景：

視頻監(jiān)控、異常行為識別

解決方案：

考慮到視頻長度較長，為了有效地捕獲視頻中的動作信息，團隊優(yōu)先采用了等間隔采樣的方式對每個視頻進行采樣，然后采用隨機尺度裁剪、水平翻轉(zhuǎn)等數(shù)據(jù)增強方式進行增強。

在算法選型上，團隊優(yōu)先采用了TSM［2］進行實驗，它具有高效率和高性能。具體來說，它可以達到 3D CNN 的性能，但保持 2D CNN 的復(fù)雜性。TSM 沿時間維度移動部分通道，從而促進相鄰幀之間的信息交換，它還可以插入到 2D CNN 中以實現(xiàn)零計算和零參數(shù)的時間建模。

作為對比，團隊同時采用了滑動窗口的形式進行幀數(shù)據(jù)采樣，并采用ir-CSN［3］進行實驗。CSN探索了通道之間交互的重要性，并達到了節(jié)省計算參數(shù)和通道之間交互的平衡，網(wǎng)絡(luò)具有結(jié)構(gòu)精簡、計算量小、速度快、準(zhǔn)確率好的優(yōu)點，并且還有一定的正則化能力。

最后，在進行了為每個視頻采樣不同的幀數(shù)，是否添加Non-Local模塊，以及MixUp與ColorJitter數(shù)據(jù)增強的實驗之后，團隊采用TSM，以ResNet50作為Backbone， 并以等間隔采樣的方式采樣32幀，最終取得了最好的單模成績。在融合ir-CSN結(jié)果后，取得了最好的線上成績。

賽題二

跨模態(tài)未裁剪動作時序定位

Cross-Modal Untrimmed Action Temporal Localization，在這項任務(wù)中，參與者使用來自MMAct 的未修剪視頻以及配對的傳感器數(shù)據(jù)，在數(shù)據(jù)中包含交叉視角和交叉場景兩種類型的數(shù)據(jù)，共35個動作類別。參與者允許使用未修剪的配對傳感器數(shù)據(jù)和視頻進行訓(xùn)練，然后在僅包含未修剪的視頻數(shù)據(jù)的測試集上進行時間動作定位，輸出未修剪視頻中識別的動作類別及其開始和結(jié)束時間，并采用AP作為評價指標(biāo)。

賽題難點：

視頻時長較長，從幾分鐘到十幾分鐘不等；

測試階段只提供了視頻數(shù)據(jù)。

應(yīng)用場景：

視頻監(jiān)控、異常行為識別、定位

解決方案：

考慮到在測試集中只提供了視頻數(shù)據(jù)，因此團隊的實現(xiàn)方案主要在視頻數(shù)據(jù)上進行實驗。在時序動作定位相關(guān)的工作中，主流的方法如BSN［5］、BMN［6］等。需要經(jīng)過：視頻抽幀-》提取光流-》行為識別算法進行特征提取-》時序動作定位算法進行動作定位-》行為識別算法進行動作識別等多個環(huán)節(jié)，整個方案實現(xiàn)流程十分繁雜。

在實現(xiàn)方案中為了簡化方案流程，采用AFSD［7］作為算法實現(xiàn)。這是一個anchor-free的時序定位框架，并且是一個end-to-end使用視頻幀作為輸入而不是特征作為輸入的算法。

為了獲得模型的輸入，團隊對每個視頻以動態(tài)幀率采樣2304幀，并進行光流計算，這樣可以保證10分鐘以上的視頻有大約3幀的采樣幀率，不至于丟失過多的視頻信息。最后再分別采用RGB數(shù)據(jù)和光流數(shù)據(jù)進行訓(xùn)練，并融合兩種類型的預(yù)測結(jié)果后，取得了團隊最好成績。

編輯：jq