论文浏览(41) STEP: Spatio-Temporal Progressive Learning for Video Action Detection

---

0. 前言

• 相关资料：
  • arxiv
  • github
  • 论文解读
• 论文基本信息
  • 领域：时空行为检测
  • 作者单位：马里兰大学 & NVidia
  • 发表时间：CVPR 2019

---

1. 要解决什么问题

• Spatio-temporal action detection 任务的难度较大
  • 一个action tube一般来说包括了空间上的变换，这会导致proposal的生成与微调更有难度。
  • 需要更好的对temporal进行建模，从而得到行为分类的效果。
• 之前的解决方案
  • 一般是将视频分为若干clip，对每个clip提取action tube，然后再Link
  • 获取单个clip的action tube时都是基于同一个anchor
    • 可能对于空间变化较大的情况不合适。
    • 对于短的clip一般要执行offline的link操作。

---

2. 用了什么方法

• 为了获取action tube，本文提出的方法不是 clip-level，而是progressive learning
  • 所谓 clip-level，就是先获取每个clip的action tube，再对不同clip的action tube进行link
  • 所谓 progressive learning，就是先生成几个框，然后向两边扩展。
• 提出了STEP（Spatio-TEmporal Progressive action detector）
  • 首先确定action tube的长度（即帧的数量，假设为K），定义最大的 progressive step 为 $S_{max}$，然后就讲视频分为$2\ast S_{max}+1$个clip。
  • 首先初始化一些proposal，然后在递进更新$S_{max}$步，每一步都有一下操作：
    • Extend：向周边clip扩展
      • 有两种方式，Extrapolation（认为在一定时间范围内，空间变化是线性的，然后预测下一个bbox）和Anticipation（训练网络直接预测）
    • Refine（如下图）：对上一部刚刚扩展的clip进行微调
      • 
    • Update：使用贪心算法进行更新
  • STEP结构如下图
  • 
• 整体检测步骤如下
  • 

---

3. 效果如何

• 分别是UCF101和AVA的结果
  • 

---

4. 还存在什么问题&有什么可以借鉴

• 个人感觉主要优势还是在progressive方法上，但我好像用不上，所以没细看。