视频即图：用于视频动作识别的结构化图模块

在动作识别领域，视频片段总是被当作有序帧进行后续处理。为实现时空感知，现有方法提出在卷积层中嵌入相邻时间交互，从而可通过分层堆叠多个局部层获得全局语义信息。然而，这种全局时间累积只能反映深层中的高级语义，忽略了浅层中潜在的低级整体线索。本文中，我们首次提出将视频序列转化为图，以获取时间帧间的直接长程依赖。为在转化中保留序列信息，我们设计了结构化图模块（SGM），实现贯穿整个网络的细粒度时间交互。特别地，SGM 将每个节点的邻居划分为若干时间区域，从而以多样的顺序流提取全局结构信息。我们在标准基准数据集（即 Something-Something V1 & V2、Diving48、Kinetics-400、UCF101 和 HMDB51）上进行了充分实验。所报告的性能与分析表明，SGM 能以更低的计算复杂度取得优异的精度。