谷歌新发布了一个精确标注动作的数据集，堪称ImageNet视频版

作者： Chunhui Gu & David Ross

编译：魏子敏，龙牧雪，谭婧

就在昨天，谷歌blog发布了一个堪比“视频版”ImageNet的数据集-AVA（A Finely Labeled Video Dataset for Human Action Understanding ），为视频动作识别这一图像识别中的重大课题提供了新的“原材料”。这个崭新的数据集填补了在复杂的场景下，多人执行不同操作的标注空白。

以下为google blog原文，大数据文摘对其进行了编译：

在计算机视觉领域，教会机器在视频中理解人类行为是一个非常基础的研究课题，这一点对于视频搜索和发现，运动分析以及手势交互都至关重要。过去几年，尽管我们在识别图片中的物体这个领域取得了一些令人兴奋的突破，但是，识别人的动作仍然是一个比较大的挑战。

这是由于，视频中的“动作”识别，天然地比物体识别更困难，这就使得建立一个优质的动作标注视频数据集非常不容易。目前确实存在很多重要的动作标注数据集，例如，ucf101，activitynet和DeepMind的Kinetics。尽管这些数据集都采用图像分类标签的标注结构，给每个视频或视频剪辑的动作进行了一定的标注。但是，复杂的场景下，标注了多人执行不同操作的数据集在业内依然空白。

为了促进对人类动作识别的进一步研究，我们发布了AVA（atomic visual actions）。这个数据集为视频中的每个人都打上了多个动作标签。AVA由YouTube上公开视频的URLs组成，标注了80个独立个体行为（例如“走”、“踢（一个物体）”、“握手”，共有57.6k视频片段，96k标记的人类行动，以及总的210K动作标签。你可以浏览网站（https://research.google.com/ava/）来探索数据集和下载标注，以及阅读我们的arXiv论文，论文描述了数据集的设计与开发（论文地址：https://arxiv.org/abs/1705.08421）。

相比其他的动作数据集，AVA数据集有以下这些特点：

以人为中心进行标注：每个动作标签都基于人物本身，而不是一段视频或者剪辑片段。因此，我们能够为不同动作中的各类人加上不同的标签，这一点非常常见。

原子级视觉动作：我们对需要标注的动作进行了合理的时间限制（3秒钟），以确保动作符合人的生理机能，同时有明显的视觉特征。

真实视频作为视觉材料：我们使用不同题材和国家的电影作为AVA的标注材料，进而确保数据库中包含各类型的人类行为。

视频来源中的3秒视觉片段标签，用方框标注出每个动作素材（为确保清晰，每个例子中只出现了一个框。）

为了创作AVA数据集，我们首先从YouTube上搜集了一批种类各异的长视频内容，以“电影”和“电视剧”作为主要标签，其中的专业演员来自不同国家。我们从每个视频中剪辑出了一段15分钟的片段，并且标准化地将这些片段组合成为了一段视频样本，每一段这样的样本都包换300个无重叠的3秒片段。这一采样策略确保了相关内容中动作的连贯有序。

接下来，我们手动标注了所有以3秒隔断、被方框框起来的动作。对于每一个标注框中人，标注者会从一个之前选出来的动作词库（包含80类目）中选择合适的标签，来描述框中人的动作。这些动作将被划分为三组：姿态类，人-物交互类，人-人交互类。为了确保标签对于动作的穷尽性，我们给AVA的所有标签打上了较多的分类，我们将其总结如下：

图：AVA动作标签分类：x轴上显示的标签仅仅罗列了我们词汇表中的部分

通过AVA，我们得到了一些有趣的统计数据，这是之前任何数据集中都没有体现出来的。比如，由于大量人物都被标注了至少两个动作，我们可以发现当多个动作标签同时出现的时候，动作的组合具有一定规律。下面这张图显示了AVA中出现最频繁的“动作组合”。这印证了我们的常识：人们通常一边“唱歌”一边“玩乐器”，在“和孩子一起玩”的同时“把一个人举起来”，在“接吻”时“拥抱”。

图：AVA中同时出现最多的“动作组合”

（吹黑管的小编哭晕，永远不能一边唱歌一边演奏呢）

为了验证AVA数据集中人类动作识别系统的有效性，我们在AVA上实现了一个已有的深度学习基准模型，这个模型在一个小得多的JHMDB数据集上表现良好。由于比例、背景、摄影角度的原因，这个模型在AVA上的表现属于中等水平（18.4%mAP）。这表明，在未来几年中，AVA都将对开发和验证新的动作识别算法非常有用。

我们希望AVA的发布能推动动作识别的进步，并为多人同时执行复杂动作标签之上的建模提供机会。我们会持续扩大和改进AVA，并且非常希望得到你们的反馈。