一 写在前面
未经允许，不得转载，谢谢～～～
这也是今年发表在CVPR上的文章，简单整理记录一下。
主要信息：
- 文章出处：CVPR2020
- 文章代码：暂未发布
- 数据集地址：暂未发布
- 原文链接：https://arxiv.org/abs/1912.06992
二 主要内容
2.1 相关背景
以action recognition为代表的视频理解任务通常将视频当成一个单独的动作进行分析。相对应地，很多数据集对一个视频也用一个action进行标注。
虽然在图像领域，像scene graph这样的结构化表示已经被证明可以在很多任务上提升模型的性能。但在视频领域，视频动作的拆解（objects以及relationship的对应关系）还处于under-explored状态。
在认知科学也有研究支持人类会将长的视频分成几段以便理解。
2.2 本文工作
- 在视频领域，提出Action Genome，将动作表示成spatio-tempoal scene graph的形式。
以“person sitting on a sofa“为例，Action Genome在其对应的帧上进行object和relation的注释：
- object：person，sofa
- relation：
, ,
- 基于Charades构建含有scene-graph的数据集：Action Genome
按照上面所示的例子，对视频进行sene-graph的标注工作，具体包括object以及relation；
最后的数据集包含：
- 157 action categories；
- 234K video frames；
- 476K bounding boxes；
- 1.72M relationships
- 在三种任务上进行了scene graph对于视频理解的帮助：
- action recognition
- few-shot action recognition
- spatio-temporal scene graph prediction
三 具体方法
3.1 Action Genome dataset
先简单介绍一下scene graph：
- node：object（物体对应图里的节点）
- edge：realtionship（物体之间的关系对应图中节点之间的边）
对应数据集的标注与构建：
- 整个数据集是基于Charades构建起来的；
- 标注的方法是action-oriented sampling strategy （以视频中的action为导向进行标注）
- 具体对应这个图进行解释：
对于视频中的每个action（不同的颜色段），在这个时间范围内统一sample 5帧进行注释。假设一段视频中有4个actions（action本身可包含，可覆盖），那总共会有4x5=20帧视频帧被标注到。
具体的标注形式如图所示，先标出跟这个action相关的object（bounding box），然后再标注relationships。
其中总共包含3类realtionships：
- attention（looking or not）
- spatial （空间位置）
- contact （交互方式）
最后的数据集信息：
- 234253 frames
- 35 object classes， 476229 bounding boxes
- 25 relationship classes，1715568 instances
3.2 方法
方法部分相对比较简单，主要就是构建scene-graph，然后获取最终的representation。
看颜色的线路（蓝 vs 绿），最终的特征来源最终包含2个部分：
- scene graph
- 3D CNN
其中scene graph的部分，对于视频中的每一帧经过scene graph predictor（先用Faster RCNN进行object detection，再用RelDN进行relationships prediction ）构建对应的graph，然后用类似long-term feature bank中的方法获取到graph对应的特征表示。
具体而言，图中看到的feature map是|O| x |R|大小的，|O|表示所有object的数目（已经包含person），|R|表示所有relationship的种类，其值等于对应object的置信度乘上对应relationship的置信度。然后对于每一帧，都把这个map展开作为这一帧的feature，最后对不同帧之间做一个融合得到scene-graph这一路得到的特征。
3D CNN这一路是取视频中比较短的片段过3D conv主导的网络，最终得到的feature，这样可以结合短距离信息和长距离信息。
四 实验结果
介绍一下关于action recognition的结果：在Charader数据集上，通过用scene-graph features替换LFB（long-term feature bank）的feature banks ，能在SOTA的LFB上提升1.8% mAP。
另外还做了一个验证实验，假设真实的scene graph是存在的情况下，也就是直接用手工标注的GT进行scene-graph的构建，能在mAP上获得16%的提升。
五 写在最后
现在的视频分类的文章基本都不在ucf，hmdb这种小数据集上做了==，感觉从科研的角度来说会越来越难，但是真的能出现一些更challenging更有意义的工作还是感觉很好的。
感谢阅读～
有问题欢迎交流。