关注公众号,发现CV技术之美
本文分享论文『Higher Order Recurrent Space-Time Transformer for Video Action Prediction』,由 NVIDIA 开源《HORST》,用Transformer解决 Early Recognition 和 Anticipation 任务,惊叹又一任务被Transformer攻陷!
详细信息如下:
论文链接:https://arxiv.org/abs/2104.08665
项目链接:https://github.com/CorcovadoMing/HORST
导言:
赋予机器强大的视觉预测能力是迈向大规模视频智能的关键一步。目前,这方面的主要建模范式是序列学习,主要通过LSTM来实现。在语言处理的深度学习应用中,Feed-forward Transformer结构已经取代了递归模型设计,在计算机视觉中Transformer也部分取代了递归模型设计。
在本文中,作者研究了Transformer结构在视频预测任务中的能力。为此,作者提出了HORST,这是一种高阶递归层设计,其核心设计是视频自注意的时空分解。HORST在Something-Something数据集上基于早期动作识别(early action recognition)任务和在EPIC-Kitchens数据集上基于动作预期(action anticipation)任务实现了不错的性能,这表明了更高层次的自注意设计的有效性。
01
Motivation
从视频中识别人的行为是计算机视觉中一个被广泛研究的问题。大多数工作已经将动作识别作为视频片段分类问题来处理,最近几乎所有方法都使用深度学习,推动了从视频中进行时空特征学习的发展。
视频片段的动作识别中的一个基本假设是完整性和同步观察,即,要被识别的动作是立即可访问的,并且完全表示在视频片段中。这种完备性假设不适用于动作预测任务,即根据对过去的观察来预测未来。
实际上,随着时间的推移,观测可能会逐渐细化,以执行和重新验证未来的预测。这些都是基于视频预测的许多真实世界应用之间共享的需求,例如人机协作、实时视频监控和自动驾驶。
上图说明了早期动作识别和动作预期