CVPR 2022 Oral｜PoseConv3D开源: 基于人体姿态的动作识别新范式

Paper：https://arxiv.org/abs/2104.13586

Code：https://github.com/kennymckormick/pyskl

引言

我们此前的工作 PoseC3D [1] 在今年的 CVPR 中以 Oral Presentation 接收，这项工作第一个使用 3D-CNN 来进行基于关键点序列的视频理解，同时取得了较好的识别性能，对后续的工作存在一些启发意义。在之前的文章（https://zhuanlan.zhihu.com/p/395588459）中，我们已对这项工作的具体方法，相对 GCN 方法的优势，以及实际性能进行了详细的描述。在过去一段时间，我关于 skeleton action recognition 又进行了一些相关的研究，这篇文章会围绕以下主题：

• 什么是 skeleton action recognition？其意义在于何处？
• 现有 skeleton action recognition 解决方案的一些问题，兼谈 PoseC3D 的优缺点。
• 分享我们最新的开源实现 PYSKL [2]，这个开源代码库同时支持了 PoseC3D 与 GCN 方法，及其一系列最佳实践。

Skeleton action recognition 定义及其意义

Skeleton Action Recognition

Skeleton-based action recognition 意味基于且仅基于时序关键点序列来进行视频理解。举一个具体的例子：若有一个 300 帧的视频，其中包含一个人，如使用 17 个二维关键点（CoCo 定义），那么输入的形状即为 300 x 17 x 2。一般传统上，关键点序列多指人体关键点序列（如手肘、手腕、膝盖等关键点），但显然，这类方法也可以扩展至其他场景，如用面部关键点识别表情，用手上的关键点识别手势等等。

不同于基于 RGB 的视频理解，skeleton action recognition 具有如下优点：1. 骨骼点本身作为一种与人体动作关系密切的表示形式，对于视频理解有重要意义；2. 骨骼点是一种轻量的模态，所以基于骨骼点的识别方法，往往比基于其他模态的方法轻量许多；3. 基于骨骼点的识别，结合高质量的姿态检测器，往往能在数据较少的情况下就能取得不错的识别效果，且兼具较强的泛化能力。

而同时，skeleton action recognition 也具有如下缺点：1. 并非所有的动作，都可以仅通过骨骼点序列来识别，部分动作类别需要依赖于物体、场景等上下文来进行判定；2. 在难以获取高质量关键点的情况下，骨骼动作识别的性能会受到较大影响。在实际使用过程中，还需要依据实际需求，来选择究竟基于那种模态，进行视频理解。

现有方案的一些问题，兼谈 PoseC3D 的优缺点

现有 Skeleton-based Action Recognition 的解决方案，主要有基于 GCN 或 CNN 的两大类别，本文会分别讨论其中存在的一些问题。

共有问题：Skeleton 质量

作为输入，Skeleton 本身的质量对于最终的识别效果极为重要，但这点往往受到的关注较少。PoseC3D 中对于这点进行了讨论，主要的发现包括：1. 若都局限于 pose estimator 得到的关键点， 那么使用 2D 姿态估计的结果作为输入，通常远好于使用 3D 姿态估计结果，或是 2D -> 3D lifting 的结果作为输入；2. 同为 2D 姿态作为输入的情况下，依据 pose estimator 的好坏，识别结果也有优劣之分，但差异不大。在 PYSKL 中，我们同样使用了来源于 Kinect 的 3D 骨骼点与 HRNet 输出的 2D 骨骼点训练 ST-GCN [3] 与 ST-GCN++ [2]（我们开发的一个 ST-GCN 的简单变种）两种模型。以 2D Pose 作为输入，仅作为 ST-GCN 的一个简单变种，ST-GCN++ 就能在三项 benchmark （NTURGB+D XSub, NTURGB+D XView, NTURGB+D 120 XSet）上达到所有 SOTA 方法中前三的性能。值得注意的是，HRNet 2D Pose 虽在大部分的评测数据集上取得了优势，但并非全部：如在 NTURGB+D 120 Xsub 这个评测基准上，2D Pose 的效果就要差于 3D Pose。我们认为， 关于 Skeleton 种类及质量对于识别效果的影响，还有待进行大量的研究。

另一值得注意的点是，我们认为动作识别效果将随着姿态估计质量的提升而单调提升，但两者绝不是类似于简单的线性关系，这一点在 PoseC3D 中有指出。另外，我们认为，在某些情况下，即使姿态估计的质量很差，只要其中包含与目标动作相关的模式，那也足以用来进行行为识别。如 HRNet 在 GYM 数据集上的识别效果实际不佳，但依赖于其所估计的关键点，依然能在动作识别任务上取得出色的效果。

GCN 方法及其问题

作为 Skeleton Action Recognition 的主流方法，GCN 方法依然存在一系列实践相关的问题，这些问题制约了模型的性能，并一定程度上影响了不同方法间的公平比较。本文以 NTURGB+D 数据集为例，对存在的问题进行简述。

Preprocessing & Augmentation

给定一个 skeleton sequence，目前的 GCN 方法会先对其进行处理，以得到模型输入。预处理主要分为两个部分：1. 空间维度上，以第一帧作为基准，将第一帧中的 skeleton 的中心点置于原点，将第一帧中 skeleton 的脊椎与 z 轴对齐；2. 时间维度上，针对数据集中序列长短不一的问题，主要有以下解决方案：

• ST-GCN [3]: 将所有序列以 zero padding 扩充至最大长度（所有序列中最长序列的长度）。
• AGCN [4]: 将所有序列以 loop padding 扩充至最大长度。
• CTR-GCN [5]: 预处理时不进行处理，在 data augmentation 时，使用 Random Crop 裁剪出子序列，并 interpolate 到一定长度。

其中，前两个方案的缺点在于，将序列以确定形式 pad 到最长的长度，产生了计算力浪费。第三种方案，虽可以产生多样的训练样本，但 interpolate 得到的 skeleton 分布与原本的数据分布不同，且 crop 出的子序列不一定能完整地表示整个动作。

在 PYSKL 中，我们对相关实践进行了改进。具体说，我们将 PoseC3D 中 Uniform Sampling 直接应用于 GCN，从原本的 skeleton sequence 中采样出子序列作为输入，这种方式在训练时可以得到更多样的训练样本（且每个样本都足以覆盖整个动作），也使 test time data augmentation 成为可能。

Hyper Parameter Setting

在 PYSKL 中，我们也根据对 PoseC3D 的训练经验对 GCN 训练的超参设置进行了改进。主要的改进包括，我们使用了 CosineAnnealing 训练策略，并使用了一个更强的正则项。改进超参设置后，GCN 模型的效果有了长足的提升。

CNN 方法及其问题

基于 CNN 进行 skeleton-based action recognition 的方法，主要分为 2D-CNN 与 3D-CNN 两大类。基于 2D-CNN 的方法，如 PoTion [6]，将骨骼点序列以 color coding 的方式绘制在一张图上，并用 2D-CNN 进行处理，其最大的问题，也在于以 color coding 方式进行时序维度上的压缩造成了无法弥补的信息损失。

作为基于 3D-CNN 的方案，PoseC3D 将 keypoint heatmap 堆叠为 3D Voxel，并用 3D-CNN 进行处理。作为一个简单明了的方案，PoseC3D 能直接利用 3D-CNN 强大的时空建模能力，在取得良好识别效果的同时具备鲁棒性好，可扩展性好，兼容性好等诸多优点。但同时，其也有以下的不足之处：

1. 未针对骨骼模态特点进行特有的模型设计，识别效果还有优化空间。
2. 相对 GCN，所需计算量还是较多：使用基于 R50 的 3D 网络，其算力消耗仅能做到与 GCN 中的较 heavy 方法 MS-G3D [7] 相当，多于其他一些更轻量的 GCN 方法。
3. 如输入为 3D 点的情况下，目前只能将其先投影到 2D，存在信息损失。这一缺陷可能可以为后续一些 Multi-View Projection + PoseC3D 的工作所弥补。

开源实现 PYSKL

基于 MMAction2（https://github.com/open-mmlab/mmaction2），我们最新开发了骨骼动作识别代码库 PYSKL，在已经完成的第一次 release 中，支持了三个模型 PoseC3D [1], ST-GCN [3], ST-GCN++[2] 。PYSKL 具备如下特点：

1. 模型完整，实现优秀：PYSKL 同时支持了 3D-CNN 和 GCN 两大类方法。对于 PoseC3D，我们 release 的模型覆盖了多个数据集与主干网络，并对大部分数据集全面覆盖了 Joint, Limb 两个模态。对于基于 GCN 的方法，我们参照 AA-GCN [8] 的实践，release 的权重文件全面覆盖了 Joint, Bone, Joint Motion, Bone Motion 四个模态。用户可以基于 release 的 config 和 weight 轻松复现相关数据集。同时，基于我们提出的良好实践训练的 PoseC3D 和 ST-GCN++，在多个 benchmark 上都取得了排名前列的性能。
2. 代码简练：专注于骨骼动作识别，PYSKL 对代码进行了精简，只保留主要功能，去掉了冗余的 code。其主目录下只保留少于 5000 行代码，少于 MMAction2 的三分之一。
3. 易于上手：用户可直接使用 PYSKL 中提供的 pickle 文件进行训练与测试。同时，我们提供了工具来对 2D / 3D 骨骼数据进行可视化。

链接：https://github.com/kennymckormick/pyskl

Reference

[1] Revisiting skeleton-based action recognition：https://arxiv.org/abs/2104.13586

[2] https://github.com/kennymckormick/pyskl：https://github.com/kennymckormick/pyskl

[3] Spatial temporal graph convolutional networks for skeleton-based action recognition：https://scholar.google.com/citations%3Fview_op%3Dview_citation%26hl%3Den%26user%3DtAgSyxIAAAAJ%26citation_for_view%3DtAgSyxIAAAAJ%3Ad1gkVwhDpl0C

[4] Two-stream adaptive graph convolutional networks for skeleton-based action recognition：https://openaccess.thecvf.com/content_CVPR_2019/html/Shi_Two-Stream_Adaptive_Graph_Convolutional_Networks_for_Skeleton-Based_Action_Recognition_CVPR_2019_paper.html

[5] Channel-wise topology refinement graph convolution for skeleton-based action recognition：https://openaccess.thecvf.com/content/ICCV2021/html/Chen_Channel-Wise_Topology_Refinement_Graph_Convolution_for_Skeleton-Based_Action_Recognition_ICCV_2021_paper.html

[6] Potion: Pose motion representation for action recognition：https://openaccess.thecvf.com/content_cvpr_2018/html/Choutas_PoTion_Pose_MoTion_CVPR_2018_paper.html

[7] Disentangling and unifying graph convolutions for skeleton-based action recognition：https://openaccess.thecvf.com/content_CVPR_2020/html/Liu_Disentangling_and_Unifying_Graph_Convolutions_for_Skeleton-Based_Action_Recognition_CVPR_2020_paper.html

[8] Skeleton-based action recognition with multi-stream adaptive graph convolutional networks：https://ieeexplore.ieee.org/abstract/document/9219176/

公众号后台回复“画图模板”获取90+深度学习画图模板～