【论文阅读】Holistic Interaction Transformer Network for Action Detection

《Holistic Interaction Transformer Network for Action Detection
》，提出了用于动作检测的整体交互变压器网络（Holistic Interaction Transformer Network ，HIT），获得了ECCV DeeperAction Challenge - MultiSports 竞赛第二名。
原文链接：https://arxiv.org/abs/2210.12686
代码地址：https://github.com/joslefaure/HIT

1. 方法
   • 整体框架：输入视频后，利用3D骨干网络提取视频特征，通过ROIAlign技术裁剪出人物、物体和手部特征，同时借助姿态模型获取人物关键点。RGB和姿态子网络分别计算各自的特征，融合后学习全局上下文信息，最终经分类头输出动作预测结果。
     
   • 特征选择：人类动作很大程度上依赖于自身的姿态、手部动作以及与周围物体和其他人的互动。所以，HIT网络选择人体姿态、手部、物体和人物的边界框作为模型的实体。比如，在“拿起物体”这个动作中，人物的姿态（如身体弯曲程度、手臂伸展方向）、手部的位置和动作（如握拳、伸手），以及物体的位置和特征等信息，对于准确识别该动作至关重要。
     • 利用相关检测模型确定实体位置：1）人体姿态和手部检测：采用Detectron的姿态模型来检测人体姿态。对于每个检测到的人，模型输出17个符合COCO格式的关键点。在确定手部位置时，只关注手腕的关键点，用这两个关键点创建边界框，以此突出显示手部及其相关动作区域。2）物体和人物检测：使用Faster - RCNN来计算物体的边界框。3）运用ROIAlign提取实体特征：确定实体的边界框后，使用ROIAlign技术对视频特征进行裁剪，提取出人物、物体和手部的特征。
   • RGB分支和姿态分支：
     • RGB分支的输入主要包括视频特征、人物特征、物体特征和手部特征。1）视频特征：给定输入视频，首先通过3D视频骨干网络提取视频特征。2）人物、物体和手部特征**：利用ROIAlign技术，从视频特征中裁剪出人物特征(P)、物体特征(O)和手部特征(H)。
     • 姿态分支与 RGB 分支相似，输入为骨骼检测点，并且重用了RGB分支的部分输出。
   • 注意力融合模块（AFM）：将RGB和姿态流的特征进行通道拼接，再通过自注意力机制优化，进而得到融合特征。
   • 时间交互单元：运用跨注意力模块，结合融合特征和记忆数据，获得包含长期上下文信息的特征，以此用于动作分类。
2. 实施细节
   • 数据集：使用MultiSports数据集，其中涵盖66个细粒度动作类别，涉及4种不同运动，包含3200多个视频片段、37701个动作实例以及902k个边界框，动作标注帧率为25FPS，每个视频片段时长约22秒。
   • 骨干网络：采用在Kinetics-700数据集上预训练的SlowFast R101模型。
   • 检测模型：人物和物体检测分别使用特定的Faster R-CNN模型；关键点检测采用Detectron的姿态模型，并对检测到的姿态坐标进行后处理。
   • 训练和评估：输入视频片段采样64帧，设置相关训练参数，采用随机抖动增强等手段。使用SGD优化器，在8个GPU上进行训练，设置学习率调整策略。推理时设定置信度阈值，使用Softmax focal loss作为分类器的激活函数，输出帧检测结果并创建动作管。
3. 消融实验：在J-HMDB数据集上开展实验，验证了网络层数、AFM、模态内聚合器等组件的有效性。例如，两层网络结构效果较好，增加到三层会导致过拟合；AFM在融合特征方面优于Sum、Concat等其他方法。
4. 结果：在MultiSports数据集的验证集上，该方法在帧平均精度均值（mAP）和视频mAP指标上超越了其他方法。