2022-03-10 10:15:23 来源:商业新知网
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。
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。
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。
北京联通日前启动综合接入(大客户接入、传送网、宽带接入、WLAN等)总承包集中采购项目招标,项目总预算金额为91659 00万元。公告显示,项目
2021年6月底刚拿下聚洵半导体科技(上海)有限公司(以下简称聚洵半导体)51%股权,科隆股份(300405)如今就要火速转让了。3月1日晚间,科隆股份
你可能不太相信,在2020年新冠疫情首次爆发后,导致当年34%的互联网流量暴增,一度造成全球网络系统紧张。
日前,中国广电宁夏网络有限公司(以下简称:宁夏广电网络公司)曾召开宁夏广电5G建设运营推进会。
3月8日,在第十三届全国人大五次会议“部长通道”上,工信部部长肖亚庆进行了重要讲话。
近日,中国广电建设首条200G国干传送网,进而组成中国广电首个100G环形网络。
2021年,Defi和NFT应用的爆发让本就以贵、堵被人诟病的以太坊雪上加霜,每年燃烧的以太坊达百万个。