《表1 Kinetics数据集上动作识别精度》

  提示：宽带有限、当前游客访问压缩模式

本系列图表出处文件名：随高清版一同展现

《多角度视频的驾驶人员行为识别》

1. 获取 高清版本忘记账户？点击这里登录

1. 下载图表忘记账户？点击这里登录

表2给出了UCF101在Kinetics数据集上预训练后的模型上的动作识别精度，在预训练模型上UCF的训练时间大幅减小，得到的结论也与上述一致，R（2+1）D模型的表现最好。根据Varol等[19]的研究发现，使用长期卷积（LTC）在较长的输入剪辑（例如，100帧）上训练视频CNN，可以获得准确度增益。笔者也对输入剪辑的帧数进行了比较，如图12和图13所示，大部分模型在将8帧为一个剪辑设置成16帧为一个剪辑后，识别精度均有提升。针对此问题做了2个实验，在第1个实验中，采用8帧的剪辑训练的模型，并使用32帧的剪辑作为输入进行测试。结果发现，与8帧剪辑相比，识别精度下降5.8%。在第2个实验中，使用在8帧的剪辑预训练后的模型参数微调32帧模型。在这种情况下，网络实现的结果几乎与在32帧剪辑中从头学习（68.0%对比69.4%）时的结果相同。然而，从8帧预训练参数中微调32帧模型大大缩短了总训练时间。上述2个实验表明，对较长剪辑进行训练会产生不同（更好）的模型，因为模型会学习更长的时间信息。表3给出了Kinetics数据集上在不同长度的剪辑上训练和评估的18层R（2+1）D的总训练时间和准确度。