[行为识别]RPAN：An end-to-end recurrent pose-attention network for action recognition

这篇文章是来自中科院深圳先进院乔宇老师，ICCV2017年的oral文章《RPAN：An End-to-End Recurrent Pose-Attention Network for Action Recognition in Videos》。这篇文章的出发点是当前行为识别的一大流行方向：RNN。与之前的video-level category 训练RNN不相同。这篇文章提出了引入pose-attention的RNN。文章总结共有以下几个贡献点：

• 不同于之前的pose-related action recognition，这篇文章是端到端的RNN，而且是spatial-temporal evolutionos of human pose
• 不同于独立的学习关节点特征(human-joint features)，这篇文章引入的pose-attention机制通过不同语义相关的关节点(semantically-related human joints)分享attention参数，然后将这些通过human-part pooling层联合起来
• 视频姿态估计，通过文章的方法可以给视频进行粗糙的姿态标记。(这个方法还挺不错)。

一、网络结构

整个网络框架可以分成三个大的部分：

• 特征生成部分：Conv Feature cube from CNN
• 姿态注意机制：Pose-Attention Mechanism
• LSTM：RNN网

下面是整体网络结构图。

1.1 Convolution Feature Cube from CNN

作者采用了 two-stream CNN[1]的网络框架，生成了convolution cubes。包含空间和时间上的。这里可以参考 下面列的参考文献[1]，或者直接看之前的文章。Two –Stream CNN for Action Recognition in Videos

1.2 Pose Attention Mechanism(姿态注意机制)

Step1：
经过上述two-stream cnn后生成了 K1 x K2 x dc的特征图，文章中叫convolutional cube。然后作者定义了一个Ct，表示第t个视频帧在不同空间位置上的特征向量。空间图是K1xK2的大小，共dc个通道。所以Ct是K1xk2个dc维的向量。Ct的定义如下。

Step2：

作者定义了一些关节点，总共有13个。然后由这13个关节点，作者定义了5个身体的part。定义如下图所示。

• 首先，作者计算了每个关节点在每个空间点(K1xK2的大小)上的打分

然后进行了归一化。

• 根据关节点特征，然后生成part的特征

Step3：

经过pooling层，将所有part特征整合到一起。使用的方法就是简单的Max,Mean or Concat。请参考上图。

1.3 LSTM

最后将St输入到LSTM网络中。

1.4 Loss Function

这里作者做了一个联合Loss Function，成为端到端的训练。

其中的theta是模型参数的衰减。

action Loss是一个交叉熵，标签yt是一个one-hot label。

重点是这里的pose loss function。其中的M就是作者他们提出的一种标记方法得到的(Head maps for all the joints)。

二、实验结果

2.1 Pose Attention Mechanism

Case1：

首先，作者测试了姿态注意机制的作用。画出了没有attention机制的时候测试结果的混淆矩阵，然后画出了有attention机制时候的测试结果的混淆矩阵。显然有attention机制的时候，效果要好。

Case2：

接着，作者测试了以下不同Human-part-pooling方式的影响。

2.2 Different CNNs

作者还着重测试了不同CNNs网络对于性能的影响。

2.3 最终结果比较

最后，作者测试了之前的state of art 和 RPAN网络进行了对比。

参考文献

[1] Simonyan K, Zisserman A. Two-stream convolutional networks for action recognition in videos[C]//Advances in neural information processing systems. 2014: 568-576.

[2] Wang L, Xiong Y, Wang Z, et al. Towards good practices for very deep two-stream convnets[J]. arXiv preprint arXiv:1507.02159, 2015.

[3] Du W, Wang Y, Qiao Y. Rpan: An end-to-end recurrent pose-attention network for action recognition in videos[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. 2017: 3725-3734.

---

<个人网页blog已经上线，一大波干货即将来袭：https://faiculty.com/>

/* 版权声明：公开学习资源，只供线上学习，不可转载，如需转载请联系本人 .*/