深入识别暗环境下的动作：一项综合基准研究

尽管随着大规模视频数据集的引入和深度神经网络的发展，动作识别（AR）取得了巨大进步，但针对真实场景中挑战性环境具有鲁棒性的 AR 模型仍待充分探索。我们聚焦于暗环境下的动作识别任务，该任务可应用于夜间监控与自动驾驶等领域。直观上，当前的深度网络辅以视觉增强技术应当能够处理暗环境下的 AR，然而实践中观察到情况并非总是如此。为更深入探索暗环境下 AR 的解决方案，我们在 IEEE CVPR 2021 发起了 UG2+ 挑战赛 Track 2（UG2-2），旨在评估并推进暗环境下 AR 模型的鲁棒性。该挑战赛基于并扩展了一个新颖的 ARID 数据集——首个面向暗视频 AR 任务的数据集，并引导模型以全监督与半监督两种方式应对此类任务。报告了采用当前 AR 模型与增强方法的基线结果，证实了该任务具有挑战性且存在大量改进空间。得益于研究界的积极参与，参赛方案取得了显著进展，同时对这些方案的分析有助于更好地识别应对暗环境下 AR 挑战的可能方向。