位置:首页 >  知识藏馆 > 正文内容

上海交大发布「人类行为理解引擎」:深度学习 + 符号推理,AI 逐帧理解大片中每个动作

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,他在中国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

版权声明:转载此文是出于传递更多信息之目的。若有来源标注错误或侵犯了您的合法权益, 请作者持权属证明与本网联系,我们将及时更正、删除,谢谢您的支持与理解。

老友科技

老友科技致力于互联网靠谱科技资讯,以极简主义做行业扫描,做原创深度,嬉笑怒骂不拘一格做靠谱文章。