StNet模型框架为ActivityNet Kinetics Challenge 2018中夺冠的基础网络框架，本次开源的是基于ResNet50实现的StNet模型，基于其他backbone网络的框架用户可以依样配置。该模型提出“super-image"的概念，在super-image上进行2D卷积，建模视频中局部时空相关性。另外通过temporal modeling block建模视频的全局时空依赖，最后用一个temporal Xception block对抽取的特征序列进行长时序建模。StNet主体网络结构如下图所示：
StNet Framework Overview
详细内容请参考AAAI'2019年论文StNet:Local and Global Spatial-Temporal Modeling for Human Action Recognition
StNet的训练数据采用由DeepMind公布的Kinetics-400动作识别数据集。数据下载及准备请参考数据说明
数据准备完毕后，可以通过如下两种方式启动训练：
export CUDA_VISIBLE_DEVICES=0,1,2,3,4,5,6,7
python train.py --model_name=STNET \
--config=./configs/stnet.yaml \
--log_interval=10 \
--valid_interval=1 \
--use_gpu=True \
--save_dir=./data/checkpoints \
--fix_random_seed=False
--pretrain=$PATH_TO_PRETRAIN_MODEL
bash run.sh train STNET ./configs/stnet.yaml
-
从头开始训练，需要加载在ImageNet上训练的ResNet50权重作为初始化参数，请下载此模型参数并解压，将上面启动命令行或者run.sh脚本中的
pretrain参数设置为解压之后的模型参数存放路径。如果没有手动下载并设置pretrain参数，则程序会自动下载并将参数保存在~/.paddle/weights/ResNet50_pretrained目录下面 -
可下载已发布模型model通过
--resume指定权重存放路径进行finetune等开发
数据读取器说明： 模型读取Kinetics-400数据集中的mp4数据，每条数据抽取seg_num段，每段抽取seg_len帧图像，对每帧图像做随机增强后，缩放至target_size。
训练策略：
- 采用Momentum优化算法训练，momentum=0.9
- 权重衰减系数为1e-4
- 学习率在训练的总epoch数的1/3和2/3时分别做0.1的衰减
可通过如下两种方式进行模型评估:
python eval.py --model_name=STNET \
--config=./configs/stnet.yaml \
--log_interval=1 \
--weights=$PATH_TO_WEIGHTS \
--use_gpu=True
bash run.sh eval STNET ./configs/stnet.yaml
-
使用
run.sh进行评估时，需要修改脚本中的weights参数指定需要评估的权重。 -
若未指定
weights参数，脚本会下载已发布模型model进行评估 -
评估结果以log的形式直接打印输出TOP1_ACC、TOP5_ACC等精度指标
-
使用CPU进行评估时，请将上面的命令行或者run.sh脚本中的
use_gpu设置为False
当取如下参数时:
| 参数 | 取值 |
|---|---|
| seg_num | 25 |
| seglen | 5 |
| target_size | 256 |
在Kinetics400的validation数据集下评估精度如下:
| 精度指标 | 模型精度 |
|---|---|
| TOP_1 | 0.69 |
可通过如下两种方式启动模型推断：
python predict.py --model_name=STNET \
--config=./configs/stnet.yaml \
--log_interval=1 \
--weights=$PATH_TO_WEIGHTS \
--filelist=$FILELIST \
--use_gpu=True \
--video_path=$VIDEO_PATH
bash run.sh predict STNET ./configs/stnet.yaml
-
使用
run.sh进行评估时，需要修改脚本中的weights参数指定需要用到的权重。 -
如果video_path为'', 则忽略掉此参数。如果video_path != ''，则程序会对video_path指定的视频文件进行预测，而忽略掉filelist的值，预测结果为此视频的分类概率。
-
若未指定
--weights参数，脚本会下载已发布模型model进行推断 -
模型推断结果以log的形式直接打印输出，可以看到测试样本的分类预测概率。
-
使用CPU进行推断时，请将命令行或者run.sh脚本中的
use_gpu设置为False
- StNet:Local and Global Spatial-Temporal Modeling for Human Action Recognition, Dongliang He, Zhichao Zhou, Chuang Gan, Fu Li, Xiao Liu, Yandong Li, Limin Wang, Shilei Wen