MoCrop：用于高效视频动作识别的无训练运动引导裁切
计算机视觉与模式识别
2026-02-03 v2
摘要
标准视频动作识别模型通常处理的是通常调整大小的完整帧，导致空间冗余和高计算成本。为此，我们引入了MoCrop——一个针对高效视频动作识别在压缩域中的运动感知自适应裁切模块。利用H.264视频中天然可用的运动向量（MVs），MoCrop定位运动稠密区域，以在推理时生成自适应裁切，而无需任何训练或参数更新。我们的轻量级管道融合了三个关键组件：合并与去噪（MD）用于离群值过滤，蒙特卡洛抽样（MCS）用于高效重要抽样，运动网格搜索（MGS）用于最佳区域定位。此设计使MoCrop能够作为多样化背板的通用“即插即用”模块。广泛的UCF101上的实验表明，MoCrop既是加速器也是增强器。以ResNet-50为例，可在等效FLOPs（注意力设置）下实现Top-1准确率提升3.5%，或在26.5%更少的FLOPs（效率设置）下获得2.4%的准确率提升。当应用于CoViAR时，可将准确率提高到89.2%或将计算量约减27%（从11.6降至8.5 GFLOPs）。MobileNet-V3、EfficientNet-B1和Swin-B的持续提升确认了其强大的通用性和实时部署的适合性。我们的代码和模型可在 https://github.com/microa/MoCrop 获取。
引用
@article{arxiv.2509.18473,
title = {MoCrop: Training Free Motion Guided Cropping for Efficient Video Action Recognition},
author = {Binhua Huang and Wendong Yao and Shaowu Chen and Guoxin Wang and Qingyuan Wang and Soumyabrata Dev},
journal= {arXiv preprint arXiv:2509.18473},
year = {2026}
}
备注
6 pages, 3 figures