看图看片，对现在的 AI 来说早已不是什么难事。不过让 AI 分析视频中的人类动作时，传统基于目标检测的方法会碰到一个挑战：静态物体的模式与行为动作的模式有很大不同，现有系统效果很不理想。
现在，来自上海交大的卢策吾团队基于这一思路，将整个任务分为了两个阶段：先将像素映射到一个“基元活动”组成的过度空间，然后再用可解释的逻辑规则对检测到的基元做推断。
△ 左：传统方法，右：新方法
新方法让 AI 真正看懂剧里的卷福手在举杯 (hold)，右边的人在伸手掏东西 (reach for)：
对于游戏中的多人场景也能准确分辨每一个角色的当前动作：
甚至连速度飞快的自行车运动员都能完美跟随：
能够像这样真正理解视频的 AI，就能在医疗健康护理、指引、警戒等机器人领域应用。这篇论文的一作为上海交大博士李永露，曾在 CVPR 2020 连中三篇论文。目前相关代码已开源。
知识驱动的行为理解
要让 AI 学习人类，首先要看看人类是怎么识别活动的。比如说，要分辨走路和跑步，我们肯定会优先关注腿部的运动状态。再比如，要分辨一个人是否是在“喝水”，那么他的手是否在握杯，随后头又是否接触杯子，这些动作就成为了一个判断标准。这些原子性的，或者说共通的动作就可以被看作是一种“基元”（Primitive）。
我们正是将一个个的基元“组合”推理出整体的动作，这就是就是人类的活动感知。那么 AI 是否也能基于发现这种基元的能力，将其进行组合，并编程为某个具有组合概括性的语义呢？因此，卢策吾团队便提出了一种知识驱动的人类行为知识引擎，HAKE（Human Activity Knowledge Engine）。
这是一个两阶段的系统：
-
将像素映射到由原子活动基元跨越的中间空间
-
用一个推理引擎将检测到的基元编程为具有明确逻辑规则的语义，并在推理过程中更新规则。
整体来说，上述两个阶段也可以分为两个任务。首先是建立一个包括了丰富的活动-基元标签的知识库，作为推理的“燃料”。在于 702 位参与者合作之后，HAKE 目前已有 35.7 万的图像 / 帧，67.3 万的人像，22 万的物体基元，以及 2640 万的 PaSta 基元。
其次，是构建逻辑规则库和推理引擎。在检测到基元后，研究团队使用深度学习来提取视觉和语言表征，并以此来表示基元。然后，再用可解释的符号推理按照逻辑规则为基元编程，捕获因果的原始活动关系。
在实验中，研究者选取了建立在 HICO 基础上，包含 4.7 万张图片和 600 次互动的 HICO-DET，以及包含 430 个带有时空标签的视频的 AVA，这两个大规模的基准数据集。在两个数据集上进行实例级活动检测：即同时定位活动的人 / 物并对活动进行分类。
结果，HAKE，在 HICO-DET 上大大提升了以前的实例级方法，特别是在稀有集上，比 TIN 提高了 9.74mAP（全类平均精度），HAKE 的上限 GT-HAKE 也优于最先进的方法。在 AVA 上，HAKE 也提高了相当多的活动的检测性能，特别是 20 个稀有的活动。
通讯作者曾为李飞飞团队成员
论文的通讯作者是上海交通大学的卢策吾，也是计算机科学的教授。在加入上海交大之前，他在中国香港中文大学获得了博士学位，并曾在斯坦福大学担任研究员，在李飞飞团队工作。现在，他的主要研究领域为计算机视觉、深度学习、深度强化学习和机器人视觉。
一作李永露为上海交通大学的博士生，此前他曾在中国科学院自动化研究所工作。在 CVPR 2020 他连中三篇论文，也都是围绕知识驱动的行为理解（Human Activity Understanding）方面的工作。
论文：
https://arxiv.org/abs/2202.06851v1
开源链接：
https://github.com/DirtyHarryLYL/HAKE-Action-Torch/tree/Activity2Vec