VALSE Webinar 20200226 视频行为识别 Action Recognition 摘要

---

0. 前言

• 参考资料：
  • 官方发布的视频：只有1小时。
  • 非官方发布的视频：1小时40分，也不全。
  • slides
• 提纲：
  • 复杂视频序列的深度表征与理解方法
    • 演讲人：中国科学院深圳先进技术研究院 - 乔宇
    • 主要内容：行为识别数据集、行为识别早期方法（非深度学习+少量深度学习）、行为识别最新进展。
  • Spatial-temporal action detection with Long-term Information Integration
    • 演讲人：上海交大 - 林巍峣
    • 主要内容：视频中行为的时空定位，以及对应的方法。
  • 就以下几个议题进行讨论
    • 行为的主观性、不平衡性、复合型讨论
    • 视频数据集的标注问题、算力问题
    • 目前已有的应用场景
    • 研究热点、难点
• 我个人关注的点：
  • 实时行为识别落地还是非常困难，只能在特定场景下靠大量数据来实现。
  • 数据生成可以考虑使用3D模型来构建模拟数据，效果也很好。
  • Spatial-temporal action detection 的基本思路还挺有意思，只不过离应用还早得很。
  • 关注两个数据集：
    • human in action：多人场景下的时空行为检测，暂时关闭下载，要等9月份。
    • VIRAT：真实监控场景下的数据，可下载。

---

1. 复杂视频序列的深度表征与理解方法

1.1. 数据集

• 数据集来源的历史发展：
  • 实验室收集。
  • 电影、体育赛事视频。
  • 互联网视频（如youtube）。
• 目前常用的数据集：
  

1.2. 早期行为识别方法

• 非深度学习方法
  • 这类不太懂，就记录几个关键字吧。
  • 视频的时空兴趣点和轨迹（2005/2011年的工作）
  • 视频的时空特征（通过HoG/HoF/MBH等方法手工提取），2011年左右
  • 视频的中层表示，CVPR2013的工作
  • 视频特征编码（CVPR2014年的工作，应该是非深度学习中最好的）
• 早期深度学习方法：
  • 简单介绍三篇内容：
    • 斯坦福的这篇是CNN时空信息融合的一种尝试，比较直接，效果一般。
    • 牛津这篇是双流法的开端，使用了光流、RGB流同时使用。
    • Facebook这篇就更有意思了，直接把VGG网络做成3D形式，即C3D。
    • 下面三篇的效果并没有比之前的非深度学习的方法好。
  • TDD（轨迹池化卷积特征，2015）
    • 应该是深度学习+传统方法的一次尝试。
    • 感觉类似于RCNN，TDD也是把把提取特征的工作交给CNN，其他基本上没用深度学习的方法。
    • 第一篇全面超越传统方法的论文。
  • TRN（2016）
    • 目标解决的是对视频序列建模以及使用深度学习方法处理。
      • 核心问题：视频的数据量大，特征维度很高，但深度学习的训练受制于显存和SGD算法
    • 这篇的主要思路是多段融合，就是吧视频分为多段，分别提取特征后，最后融合结果。
    • 这篇文章应该没有用到3D，是后面TSM的基础。

1.3. 视频行为识别的新进展

• 3D卷积神经网络
  • I3D：3D CNN的一种，在C3D的基础上引入了光流，将Inception结构转换为3D网络。
  • S3D/R(2+1)D：卷积时空分解，也就是说把 3*3*3 卷积分结果为 1*3*3 + 3*1*1，这样参数数量也会减少，运算也减少。
  • CSN：3D分解模型，主要就是引入depthwise，减少计算量，提高性能。
  • ARTNet：时空关系建模，即2D卷积用于提取特征，但空间特征无法提取，所以设计了一种结构用于获取相邻两帧之间的信息。
  • Non-local：时空跨度依赖模型，时间空间距离较远特征之间的关系进行建模。传统CNN要做到这一点只能靠扩大感受域（这就代表参数增加）。
  • SlowFast：快/慢两条通道融合结果。
  • TSM：面向3D任务的2D轻量化模型，全部使用2D卷积，对N, T, C, H, W上在T纬度上进行shift。
  • SmallBigNet
• Pose-Based行为识别
  • RPAN：CNN+RNN，对行为的动态过程建模，把行为识别与姿态估计结合，利用姿态变化引导RNN对行为的动态过程进行建模。
  • PA3D：把姿态信息作为一种输入，用3D网络进行建模。一般先进行姿态估计，再将pose heat map编码成图像channel信息。
  • ST-GCN：骨架+图神经网络，骨架本身是一张图，骨架随时间变化的也是一张图，然后通过图神经网络建模。
  • AS-GCN

1.4. 总结与展望

• 数据库：更大规模，更精细，特定场景，特定物体。
• 网络：3D网络（时空效率较低）、长时序列、姿态（2D/3D）、运动、时空关系。
• 应用：智慧城市（异常行为、长尾类别）、网络视频（开集、持续学习、生成模型）

---

2. 时空行为检测

• 原标题：Spatial-temporal action detection with Long-term Information Integration
• 视频中行为的时空定位（较新的研究议题）
• 工业界关注点
  • 视频网站：temporal detection，视频摘要。
  • 监控：spatial-temporal detection。
• 现有主要套路（与目标跟踪类似）：
  • 第一步：在每一帧上检测可能出现行为的区域。
  • 第二步：时域中，对不同帧进行关联。
• 现有工作的主要问题：
  • 缺乏长期信息。
  • 复杂度很高，因为要对每一帧进行检测，要求强大算力。
  • 噪声造成的影响很大（比如中间有一帧出错，之后的都会受到影响）。
• 讲者的工作：
  • 添加长期信息。
  • 选择关键帧处理，这样减少计算量也会减少噪声的影响。
• 讲者所在团队花大价钱构建了数据集 Human in action
  • 就是 Spatial-temporal action detection 的数据集，但已经关闭注册啦。

---

3. 讨论

3.1. 行为的主观性、不平衡性、复合型

• 概念
  • 主观性：每个人表现不同，不同人标注结果不同。
  • 不平衡性：行为千变万化。
  • 复合型：日常生活为一系列简单行为组成的复杂性为，同时包括周围环境的变化。
• 乔：更精细的数据标定，与知识理解（知识驱动、知识图谱）相结合，
• 林：
  • hieratical的方法，就是多级分类。
  • 视频监控等场景中，对某几类特别关注，唯一的方法就是增大数据量。增大数据量的一种方法是生成一些数据，特别是3D模型。
• 蒋：
  • hieratical 会陷入泥潭，没有好的答案。
  • 两个好的尝试：分解名词和动词，划分细粒度是应用驱动的。

3.2. 视频数据集的标注问题、算力问题

• 乔：
  • 设计高效3D卷积网络
  • 半自动标注，非监督方法标注，生成数据（游戏、电影）
• 林：
  • 真实数据标注没有更好的办法，3维模型生成（GAN不管用）。
  • 3D网络还在研究阶段，还不成熟。
• 蒋：
  • 无监督学习/弱监督学习标注，3d simulation生成。

3.3. 目前已有技术的应用场景

• 乔：
  • 异常行为/危险行为检测，目前还都比较困难。学术进展不代表工业界提高。
  • 视频推荐。
• 林：
  • 视频网站：视频摘要+推荐，做得不错。
  • 监控：很难（以打架为例），与推荐要求不一样。
• 蒋：
  • 必须结合一个具体问题进行处理。
  • 趋势：在线识别->预测未来。

3.4. 研究热点、难点

• 乔：数据库构建（要突破Internet的限制），高效backbone（短视频/长时网络），姿态/物品/时空信息监测。

• 林：通用性处理时空数据的backbone，具体应用上行为时空监测/细粒度行为(fine-gained)/骨架、目标技术（骨架提取好对行为识别的提升很大，但目前在复杂场景下骨架提取还是有较大问题）。

• 蒋：视频方向可能会有NAS（你的竞争对手不是人，而是大规模集群），无标注/若标注数据处理的backbone，未来帧预测有较好效果，多模态的识别（如考虑到隐私，只有深度，没有RGB），spatial-temporal 检测，VIRAT 数据集。

• 王：

  • 视频backbone设计，相比图像数据量大、冗余性高，可能可以添加先验。
  • 弱监督算法（多模态，语音、视频、文本）。
  • 具体应用场景有不同框架，多人需要时空检测，多人行为合成群体动作。