單幀標(biāo)注視頻就能學(xué)到片段特征，達(dá)到全監(jiān)督性能！華科拿下時(shí)序行為檢測新SOTA｜AAAI24

張化鑫 投稿

量子位 | 公眾號(hào) QbitAI

如何從一段視頻中找出感興趣的片段？時(shí)序行為檢測（Temporal Action Localization，TAL）是一種常用方法。

利用視頻內(nèi)容進(jìn)行建模之后，就可以在整段視頻當(dāng)中自由搜索了。

而華中科技大學(xué)與密歇根大學(xué)的聯(lián)合團(tuán)隊(duì)最近又為這項(xiàng)技術(shù)帶來了新的進(jìn)展——

過去TAL中的建模是片段甚至實(shí)例級的，而現(xiàn)在只要視頻里的一幀就能實(shí)現(xiàn)，效果媲美全監(jiān)督。

來自華中科技大學(xué)的團(tuán)隊(duì)提出了一種名為HR-Pro的新框架，用于點(diǎn)標(biāo)注監(jiān)督的時(shí)序行為檢測。

通過多層級的reliability propagation，HR-Pro可以網(wǎng)絡(luò)學(xué)習(xí)到更具辨別力的片段級特征和更可靠的實(shí)例級邊界。

HR-Pro包括兩個(gè)可靠性感知的階段，能夠有效地從片段級別和實(shí)例級別的點(diǎn)標(biāo)注中傳播高置信度的線索，從而使網(wǎng)絡(luò)能夠?qū)W習(xí)到更具區(qū)分性的片段表示和更可靠的提議。

在多個(gè)基準(zhǔn)數(shù)據(jù)集上進(jìn)行的大量實(shí)驗(yàn)證明，HR-Pro明顯優(yōu)于現(xiàn)有方法，并取得了最先進(jìn)的結(jié)果，證明了其方法的有效性和點(diǎn)標(biāo)注的潛力。

表現(xiàn)比肩全監(jiān)督方式

下圖展示了HR-Pro與LACP在THUMOS14測試視頻上進(jìn)行時(shí)序行為檢測表現(xiàn)比較。

HR-Pro展現(xiàn)出更了準(zhǔn)確的動(dòng)作實(shí)例檢測，具體來說：

• 對于“高爾夫揮桿”行為，HR-Pro有效地區(qū)分了行為和背景片段，減輕了LACP難以處理的False Positive預(yù)測；
• 對于鐵餅投擲行為，HR-Pro檢測到比LACP更完整的片段，后者在非區(qū)分性動(dòng)作片段上具有較低的激活值。

數(shù)據(jù)集上的測試結(jié)果，也印證了這一直觀感受。

將THUMOS14數(shù)據(jù)集上的檢測結(jié)果可視化后可以觀察到，在實(shí)例級別完整性學(xué)習(xí)之后，高質(zhì)量預(yù)測和低質(zhì)量預(yù)測之間的差異顯著增大。

（左側(cè)是實(shí)例級別完整性學(xué)習(xí)之前的結(jié)果，右側(cè)是學(xué)習(xí)之后的結(jié)果。橫軸和縱軸分別表示時(shí)間和可靠性分?jǐn)?shù)。）

整體來看，在常用4個(gè)數(shù)據(jù)集中，HR-Pro的性能均大幅超越最先進(jìn)的點(diǎn)監(jiān)督方法，在THUMOS14數(shù)據(jù)集上的平均mAP達(dá)到60.3%，相較之前的SoTA方法(53.7%)的提升為6.5%，并且能與一些全監(jiān)督方法達(dá)到相當(dāng)?shù)男Ч?/p>

在THUMOS14測試集上與下表中的先前最先進(jìn)方法相比，對于IoU閾值在0.1到0.7之間，HR-Pro的平均mAP為60.3%，比先前最先進(jìn)方法CRRC-Net高6.5%。

并且HR-Pro能夠與具有競爭力的全監(jiān)督方法達(dá)到相當(dāng)?shù)谋憩F(xiàn)，例如AFSD（對于IoU閾值在0.3到0.7之間，平均mAP為51.1% vs. 52.0%）。

在各種基準(zhǔn)數(shù)據(jù)集上的通用性和優(yōu)越性方面，HR-Pro也明顯優(yōu)于現(xiàn)有方法，在GTEA、BEOID和ActivityNet 1.3上分別取得了3.8%、7.6%和2.0%的提高。

那么，HR-Pro具體是如何實(shí)現(xiàn)的呢？

學(xué)習(xí)分兩階段進(jìn)行

研究團(tuán)隊(duì)提出了多層級可靠傳播方法，在片段級引入可靠片段記憶模塊并利用交叉注意力的方法向其他片段傳播，在實(shí)例級提出基于點(diǎn)監(jiān)督的提議生成來關(guān)聯(lián)片段和實(shí)例，用于產(chǎn)生不同可靠度的proposals，進(jìn)一步在實(shí)例級優(yōu)化proposals的置信度和邊界。

HR-Pro的模型結(jié)構(gòu)如下圖所示：時(shí)序行為檢測被劃分為兩階段的學(xué)習(xí)過程，即片段級別的判別性學(xué)習(xí)和實(shí)例級別的完整性學(xué)習(xí)。

階段一：片段級判別學(xué)習(xí)

研究團(tuán)隊(duì)引入可靠性感知的片段級判別學(xué)習(xí)，提出為每個(gè)類別存儲(chǔ)可靠原型，并通過視頻內(nèi)和視頻間的方式將這些原型中的高置信度線索傳播到其他片段。

片段級可靠原型構(gòu)建

為了構(gòu)建片段級別的可靠原型，團(tuán)隊(duì)創(chuàng)建了一個(gè)在線更新的原型memory，用于存儲(chǔ)各類行為的可靠原型mc（其中 c = 1, 2, …, C），以便能夠利用整個(gè)數(shù)據(jù)集的特征信息。

研究團(tuán)隊(duì)選擇了具有點(diǎn)標(biāo)注的片段特征初始化原型：

接下來，研究人員使用偽標(biāo)記的行為片段特征來更新每個(gè)類別的原型，具體表述如下：

片段級可靠性感知優(yōu)化

為了將片段級可靠原型的特征信息傳遞到其他片段，研究團(tuán)隊(duì)設(shè)計(jì)了一個(gè)Reliabilty-aware Attention Block（RAB），通過交叉注意力的方式實(shí)現(xiàn)了將原型中的可靠信息注入到其他的片段中，從而增強(qiáng)片段特征的魯棒性，并增加對較不具有判別力片段的關(guān)注。

為了學(xué)習(xí)到更加具有判別里的片段特征，團(tuán)隊(duì)還構(gòu)建了可靠性感知的片段對比損失：

階段二：實(shí)例級完整性學(xué)習(xí)

為了充分探索實(shí)例級別行為的時(shí)序結(jié)構(gòu)并優(yōu)化提議的得分排名，團(tuán)隊(duì)引入了實(shí)例級別的動(dòng)作完整性學(xué)習(xí)。

這種方法旨在通過可靠的實(shí)例原型的指導(dǎo)，通過實(shí)例級別的特征學(xué)習(xí)來精化提議的置信度得分和邊界。

實(shí)例級可靠原型構(gòu)建

為了在訓(xùn)練過程中利用點(diǎn)標(biāo)注的實(shí)例級別先驗(yàn)信息，團(tuán)隊(duì)提出了一種基于點(diǎn)標(biāo)注的提議生成方法用于生成不同Reliability的proposals。

根據(jù)其可靠性分?jǐn)?shù)和相對點(diǎn)標(biāo)注的時(shí)序位置，這些提議可以分為兩種類型：

• 可靠提議（Reliable Proposals, RP）：對于每個(gè)類別中的每個(gè)點(diǎn)，提議包含了這個(gè)點(diǎn)，并具有最高的可靠性；
• 正樣本提議（Positive Proposals, PP）：所有其余的候選提議。

為確保正樣本和負(fù)樣本數(shù)量平衡，研究團(tuán)隊(duì)將那些具有類別無關(guān)的注意力分?jǐn)?shù)低于預(yù)定義值的片段分組為負(fù)樣本提議（Negative Proposals, NP）。

實(shí)例級可靠性感知優(yōu)化

為了預(yù)測每個(gè)提議的完整性分?jǐn)?shù)，研究團(tuán)隊(duì)將敏感邊界的提議特征輸入至得分預(yù)測頭φs:

然后用正/負(fù)樣本提議與可靠提議的IoU作為指導(dǎo)，監(jiān)督提議的完整性分?jǐn)?shù)預(yù)測：

為了獲得更準(zhǔn)確邊界的行為proposal，研究者將每個(gè)PP中的proposal的起始區(qū)域特征和結(jié)束區(qū)域特征輸入到回歸預(yù)測頭φr中，以預(yù)測proposal開始和結(jié)束時(shí)間的偏移量。

進(jìn)一步計(jì)算得到精細(xì)化的proposals，并希望精細(xì)化后的proposals與可靠proposal重合。

總之，HR-Pro只需很少的標(biāo)注就能很好的效果大幅度降低了獲取標(biāo)簽的成本，同時(shí)又擁有較強(qiáng)的泛化能力，為實(shí)際部署應(yīng)用提供了有利條件。

據(jù)此，作者預(yù)計(jì)，HR-Pro將在行為分析、人機(jī)交互、駕駛分析等領(lǐng)域擁有廣闊的應(yīng)用前景。

論文地址：https://arxiv.org/abs/2308.12608