面向群体活动识别的注意力池化方法
计算机视觉与模式识别
2022-09-01 v1
摘要
在群体活动识别中，分层框架被广泛用于表示个体与其对应群体之间的关系，并取得了良好的性能。然而，现有方法在该框架中简单地采用最大/平均池化，忽略了不同个体对群体活动识别的差异化贡献。本文提出一种新的上下文池化方案，称为注意力池化（attentive pooling），其实现了从个体动作到群体活动的信息加权传递。通过利用注意力机制，该注意力池化具有内在可解释性，并能够将成员上下文嵌入到现有分层模型中。为验证所提方案的有效性，设计了两种具体的注意力池化方法，即全局注意力池化（GAP）和分层注意力池化（HAP）。GAP对群体活动重要的个体给予奖励，而HAP通过引入子组结构进一步考虑分层划分。在基准数据集上的实验结果表明，我们的方案显著优于基线，并与最先进（state-of-the-art）方法相当。
引用
@article{arxiv.2208.14847,
title = {Attentive pooling for Group Activity Recognition},
author = {Ding Li and Yuan Xie and Wensheng Zhang and Yongqiang Tang and Zhizhong Zhang},
journal= {arXiv preprint arXiv:2208.14847},
year = {2022}
}
备注
7 pages, 7 figures