AVA数据集以及SlowFast对该数据集的处理方法

本文内容全部摘自：知乎AVA Actions Dataset 详解 。推荐看原文。

1.1. 基本情况

• 数据集类别：Spatio-Temporal Action Detection，即时空行为检测。
• 举个例子，就是检测出视频中所有人的位置以及对应的行为类别。
• 数据集形式（这里是简单介绍，后面会有更详细的说明）：
• 要标记的内容包括人物bbox，以及每个人的行为类别，同一时间同一人可能有多个行为。
• 标记的内容还有还有每个实体编号，即相邻关键帧中的人物如果是同一个人，则拥有相同的实体编号。换句话说，“实体编号”其实就是目标跟踪的标签。
• 并不是对视频中的每一帧进行标记，而只是对关键帧进行标记。
• 所谓关键帧，按我的理解就是每秒取1帧作为关键帧，对该帧进行标记。
• 行为类别：标签一共有80类，（但Evaluate时只用到其中的60类）。80类标签分为三类（person movement, object manipulation, person interaction）。

1.2. 略

1.3. 数据集构建过程

• 这部分内容主要参考了 数据集论文
• 第一步：Action vocabulary generation
• 任务：确定要标注的行为类别以及继承关系。
• 选择/设置“行为类别”时有三个准则：
• generality，即通用性，而不是特定环境下的特定动作（如“在篮球场打篮球”）。
• atomicity，即原子性。每个动作都有其特点，且与交互的物体无关（如行为 hold 且不要指定hold的物体）。
• exhaustivity，即类别尽可能丰富。
• 第二步：Movie and segment selection
• 任务：构建原始视频数据集，为后续标注工作做准备。
• AVA的数据源来自电影片段。
• 每个电影只标注第15-30分钟内的视频
• 每个长度为15分钟的视频都转换为897个长度为3s的视频片段(clip)。
• 15分钟共900秒，窗口长度为3秒，stride为1秒，滑动897次得到897个clip。
• 每个clip对对应一个keyframe（关键帧），关键帧是1.5秒位置。
• 搞了一个各个国家顶尖演员列表，然后在Youtube中对每个演员进行搜索，寻找符合条件的电影。
• 条件包括：有 file/television 标签，时长超过30分钟，发布时间超过1年，观看人数超过1000，且不包含黑白、低清晰度、卡通等类别的电影。
• 第三步：Person bounding box annotation
• 任务：针对每个keyframe标注人物bbox。
• 使用了混合标注法：
• 先用Faster-RCNN标注，(说是 set operating point 从而保证高精度，不知道啥意思，猜测就是提高了阈值吧)。
• 之后在人工标注遗漏的bbox。
• bbox对最终结果影响很大，所以这一步会比较注意。
• 第四步：Person link annotation
• 任务：对相邻keyframe中的任务bbox进行关联。
• 方法：
• 先机器标注一波：通过计算相邻两帧不同bbox之间的相似度，然后根据匈牙利算法进行匹配。
• 再手动处理一波：手工删除FP样本。
• 第五步：Action annotation
• 任务：标注行为类别。
• 通过众包实现。不可避免的，标注人会少标行为（因为行为太多了）。

1.4. annotations 解析

• 以 v2.2 为例，解压 ava_v2.1.zip 得到的结果如下。
• V2.1 和 V2.2 的区别：
• 标签内容没细看，可能v2.2细化了吧。
• 但视频源没有任何变化，即V2.1与V2.2的 train/val/test 的视频是完全相同的。
• 行为类别文件：
• ava_action_list_v2.1_for_activitynet_2018.pbtxt：60类行为，Evaluate时使用
• ava_action_list_v2.1.pbtxt：80类行为
• 行为标签文件：
• ava_train_v2.1.csv、ava_val_v2.1.csv、ava_test_v2.1.txt
• 其中，train/val有标签，test只是视频名称列表。
• train/val 每行代表一个样本，共有5个部分
• video_id：视频名称，不包括文件后缀，即Youtube对应url
• middle_Frame_timestamp：关键帧所在位置（第几秒）
• person_box：包括了四列，(x1, y1, x2, y2)，分别代表左上、右下点的位置。
• action_id：即ava_action_list_v2.1.pbtxt中对应的id。
• person_id：bbox中人物的编号，即 person link 时产生的标签，每个人的id不同。
• ava_included_timestamps_v2.2.txt：每个视频要检测的位置，即第902到1798秒。
• 不需要进行检测的timestamp
• ava_train_excluded_timestamps_v2.1.csv
• ava_val_excluded_timestamps_v2.1.csv
• ava_test_excluded_timestamps_v2.1.csv
• 即 train/val/test 数据集中每个视频不需要进行检测的timestamp。

2. SlowFast对AVA数据集的处理

• 相关源码：
• 数据集预处理
• 数据集解析（结果用于模型训练）
• 数据集解析源码主要模块
• 构建 Ava 对象，解析标签文件，设置数据预处理参数，以 clip 为单位保存相关信息。
• 读取某个 clip 的相关信息。
• 流水账，没兴趣的跳过。

2.1. 构建 Ava 对象

• 第一步：为每个视频进行编号，并保存对应的帧绝对路径的列表。
• 从代码角度看保存了两个列表
• _video_idx_to_name
• 每个视频原来有个 video_name，即youtube中对应url后缀，如 1j20qq1JyX4。
• 在代码中，video_name用起来不方便，所以对视频进行编号，即每个 video_name 对应一个 video_id（从0开始编号）。
• 本对象是 list，index就是 video_id，value就是video_name。
• _image_paths
• 保存每个视频对应帧的绝对路径。
• 本对象是list，index是 video_id，value是一个list（中每个元素是帧绝对路径，注意，这个list中帧文件的顺序必须是从小到大，不然后面代码有问题）。
• 源码细节：主要输入数据就是 frame_lists 文件
• 该文件不是AVA官方提供的，而是FAIR提供的，可以自己生成。
• 该文件中保存有video_name以及对应所有帧的相对路径，且帧文件的顺序就是从小到大。
• 主要就是 ava_helper.load_image_lists 实现。
• 第二步：解析行为标签文件。
• 从代码角度看，就是构建了一个list boxes_and_labels
• 该数据类型是：boxes_and_labels[video_id][frame_sec_int] = list([box_i, box_i_labels])
• boxes_and_labels[video_id].keys() 就是所有可用的时间点，即range(902, 1799)
• len(boxes_and_labels[video_id][frame_sec_int]) 就是这个时间点 box 的数量。
• boxes_and_labels 整体是一个列表，index是 video_id，value是一个字典。
• 该字典的 key 是 frame_sec_int，即 [902, 1798]，表示视频中的第几帧。
• 该字典的 value 是列表，取名为 value_list。
• value_list通过列表形式保存 bbox（x1, y1, x2, y2形式） 以及对应的
• labels（同一个box可能有多个标签）两部分信息。
• 其中，box_i 的形式是 x1, y1, x2, y2。
• 源码细节：
• 这一步的输入数据主要包括GT与Predict两部分。
• GT指的就是AVA官方提供的标签文件，如ava_train_v2.1.csv。
• Predict指的是验证/测试时用的数据，只包括每个视频每一帧的人物bbox以及对应的score，不包括行为类别。包括 video_name, frame_sec, bbox_x1, bbox_y1, bbox_x2, bbox_y2, category, score。在使用Predict数据时会根据 score 筛选一部分数据。
• 主要通过 ava_helper.load_boxes_and_labels 实现。
• 第三步：构建关键帧数据。
• 从源码上看，就是构建了 _keyframe_indices 和 _keyframe_boxes_and_labels 两个列表。
• 这两个对象是配合使用的。两个列表中相同index的元素就是后续构建 clip 样本的输入数据。
• 保存了所有可用关键帧相关信息。
• _keyframe_indices
• 是个list对象，index的作用就是与 _keyframe_boxes_and_labels 对应。
• 主要保存四个数据 video_idx, sec_idx, sec, frame_idx
• sec_idx 指的是当前关键帧在这个视频中所有关键帧的idx，从0开始取值。
• sec 指的是当前关键帧在这个视频中的位置，从902开始取值。
• frame_idx 指的是当前关键帧的具体编号，计算方法(sec-900)*FPS，其实就是每个clip的中心frame编号。
• _keyframe_boxes_and_labels
• 是个list对象，index的作用就是与 _keyframe_indices 对应。
• 其实就是将上一步中的 boxes_and_labels[video_id][frame_sec_int] 直接保存下来。
• 主要通过 ava_helper.get_keyframe_data 实现。

2.3. 读取某个keyframe信息

• 这里，每个keyframe的信息就是对应一个clip数据，主要就是通过 __getitem__ 实现。
• 输入的idx其实就是 2.2. 中第三步 _keyframe_indices 中的下标。
• 第一步：获取 _keyframe_indices 对应 idx 下标信息。
• video_idx, sec_idx, sec, center_idx，sec_idx 从0开始取值，sec从902开始取值。
• 第二步：根据输入数据，进行数据采样。
• 以 center_idx 为中心，根据输入数据 _seq_len 和 _sample_rate 进行采样。
• 采样细节：
• 从center_idx - _seq_len // 2开始，在 [center_idx - _seq_len // 2, center_idx + _seq_len // 2) 范围内，根据 _sample_rate 进行采样。
• _seq_len 的取值其实是 _sample_rate * _sample_frames_length 得到的。
• 刚开始在想，为什么这个采样刚好就能用。列了不等式算了算，刚刚好，这个样子采样其实刚好能得到 _sample_frames_length 个帧下标。
• 第三步：获取 _keyframe_boxes_and_labels 获取该关键帧的所有boxes与对应label信息。
• 第四步：根据采样结果以及 _image_paths 读取帧文件绝对路径，并读取对应图片。
• _image_paths[video_idx][frame] for frame in seq，其中 seq 就是上面采样得到的结果。
• 第五步：图片数据预处理。
• 有pytorch与cv2两种模式，预处理的过程是一样的，只是调用的库不同。
• 得到的结果都是 C, T, H, W 结构。
• 预处理过程包括：
• 数据类型/范围转换：[0, 255] -> [0, 1]
• resize/crop操作：训练集 随机短边resize -> random crop -> random flip；验证集 短边resize -> center crop；测试集 短边resize。
• 随机短边resize通过 transform.random_short_side_scale_jitter 实现，根据输入参数 TRAIN_JITTER_SCALES 指定短边范围，随机获取其中数值作为短边的size，然后进行resize。
• 随机色彩变换，主要通过 transform.color_jitter 与 transform.lighting_jitter 实现。
• 图像标准化，减去平均数除以标准差。
• 第六步：构建行为识别 one-hot 形式label。
• label的shape为 [num_boxes, num_classes]。
• 注意，每行可能不止一个类别为1。
• 第七步：分别为不同分支构建输入数据。
• 对于I3D模型，这一步其实也没做什么。
• 对于SlowFast模型，这一步会分别对 Slow 分支与 Fast 分支构建对应的输入图片。
• Fast分支就是之前输入的。
• Slow分支就是在T纬度上进行sample rate为SLOWFAST.ALPHA的采样。
• 第八步：构建输出数据。
• 输出数据包括四部分 imgs, labels, idx, extra_data。
• imgs 是第七步图像预处理的结果，是个list，分别对应每个分支的结果，每个分支的shape为 [C, T, H, W]
• labels 就是第六步的结果，shape为 [num_boxes, num_classes]
• idx 即 __getitem__ 的输入数据。
• extra_data 是个字典，包括三个数据：
• boxes 经过数据预处理后的bbox。
• ori_boxes 原始 boxes，即在resize/crop等操作前的bbox。
• metadata 元数据列表，列表长度与 boxes 相同，每个元素都是 [video_id, sec]。sec从902开始取值。