上海交大发布「人类行为理解引擎」：AI逐帧理解大片中每个动作
2022-03-09 11:35:17来源：量子位
本文经AI新媒体量子位（公众号ID:QbitAI）授权转载，转载请联系出处。
看图看片，对现在的AI来说早已不是什么难事。
不过让AI分析视频中的人类动作时，传统基于目标检测的方法会碰到一个挑战：
静态物体的模式与行为动作的模式有很大不同，现有系统效果很不理想。
现在，来自上海交大的卢策吾团队基于这一思路，将整个任务分为了两个阶段：
先将像素映射到一个“基元活动”组成的过度空间，然后再用可解释的逻辑规则对检测到的基元做推断。
△
左：传统方法，右：新方法
新方法让AI真正看懂剧里的卷福手在举杯(hold)，右边的人在伸手掏东西(reach for)：
对于游戏中的多人场景也能准确分辨每一个角色的当前动作：
甚至连速度飞快的自行车运动员都能完美跟随：
能够像这样真正理解视频的AI，就能在医疗健康护理、指引、警戒等机器人领域应用。
这篇论文的一作为上海交大博士李永露，曾在CVPR 2020连中三篇论文。
目前相关代码已开源。
知识驱动的行为理解要让AI学习人类，首先要看看人类是怎么识别活动的。
比如说，要分辨走路和跑步，我们肯定会优先关注腿部的运动状态。
再比如，要分辨一个人是否是在“喝水”，那么他的手是否在握杯，随后头又是否接触杯子，这些动作就成为了一个判断标准。
这些原子性的，或者说共通的动作就可以被看作是一种“基元”（Primitive）。
我们正是将一个个的基元“组合”推理出整体的动作，这就是就是人类的活动感知。
那么AI是否也能基于发现这种基元的能力，将其进行组合，并编程为某个具有组合概括性的语义呢？
因此，卢策吾团队便提出了一种知识驱动的人类行为知识引擎，HAKE（Human Activity Knowledge Engine）。
这是一个两阶段的系统：
将像素映射到由原子活动基元跨越的中间空间用一个推理引擎将检测到的基元编程为具有明确逻辑规则的语义，并在推理过程中更新规则。整体来说，上述两个阶段也可以分为两个任务。
首先是建立一个包括了丰富的活动-基元标签的知识库，作为推理的“燃料”。
在于702位参与者合作之后，HAKE目前已有35.7万的图像/帧，67.3万的人像，22万的物体基元，以及2640万的PaSta基元。
其次，是构建逻辑规则库和推理引擎。
在检测到基元后，研究团队使用深度学习来提取视觉和语言表征，并以此来表示基元。
然后，再用可解释的符号推理按照逻辑规则为基元编程，捕获因果的原始活动关系。
在实验中，研究者选取了建立在HICO基础上，包含4.7万张图片和600次互动的HICO-DET，以及包含430个带有时空标签的视频的AVA，这两个大规模的基准数据集。
在两个数据集上进行实例级活动检测：即同时定位活动的人/物并对活动进行分类。
结果，HAKE，在HICO-DET上大大提升了以前的实例级方法，特别是在稀有集上，比TIN提高了9.74mAP（全类平均精度），HAKE的上限GT-HAKE也优于最先进的方法。
在AVA上，HAKE也提高了相当多的活动的检测性能，特别是20个稀有的活动。
通讯作者曾为李飞飞团队成员论文的通讯作者是上海交通大学的卢策吾，也是计算机科学的教授。
在加入上海交大之前，他在香港中文大学获得了博士学位，并曾在斯坦福大学担任研究员，在李飞飞团队工作。
现在，他的主要研究领域为计算机视觉、深度学习、深度强化学习和机器人视觉。
一作李永露为上海交通大学的博士生，此前他曾在中国科学院自动化研究所工作。
在CVPR 2020他连中三篇论文，也都是围绕知识驱动的行为理解（Human Activity Understanding）方面的工作。
论文：
https://arxiv.org/abs/2202.06851v1
开源链接：
https://github.com/DirtyHarryLYL/HAKE-Action-Torch/tree/Activity2Vec
