OpenTAD: 开源时序动作检测工具箱

OpenTAD

OpenTAD: 引领时序动作检测研究的开源利器

在计算机视觉领域,时序动作检测(Temporal Action Detection, TAD)是一项具有挑战性的任务,旨在从未分割的视频中精确定位动作的开始和结束时间,并对动作进行分类。随着视频内容的爆炸式增长,TAD技术在视频分析、内容理解和检索等方面具有广泛的应用前景。然而,TAD研究面临着数据集规模有限、算法性能不足等诸多挑战。为了推动该领域的发展,来自沙特阿卜杜拉国王科技大学(KAUST)的研究团队开发了OpenTAD - 一个开源的时序动作检测工具箱,为研究人员和开发者提供了一个强大而灵活的平台。

OpenTAD的主要特性

OpenTAD基于PyTorch深度学习框架开发,具有以下几个突出的特点:

模块化设计,支持最先进的TAD方法: OpenTAD将TAD流程分解为不同的组件,并以模块化的方式实现。这种设计使得实现新方法和重现现有方法变得容易。目前,OpenTAD支持多种前沿的TAD算法,包括一阶段方法(如ActionFormer、TriDet等)、两阶段方法(如BMN、GTAD等)、基于DETR的方法(如TadTR)以及端到端训练方法(如AFSD、AdaTAD等)。
多数据集支持: OpenTAD支持9个TAD数据集,涵盖了不同场景和应用,包括ActivityNet-1.3、THUMOS-14、HACS、Ego4D-MQ、EPIC-Kitchens-100、FineAction、Multi-THUMOS、Charades和EPIC-Sounds Detection等。这为研究人员提供了丰富的实验资源。
灵活的训练模式: OpenTAD支持基于特征的训练和端到端训练。基于特征的训练可以轻松扩展到以原始视频为输入的端到端训练,而视频骨干网络也可以方便地替换。
丰富的预提取特征: OpenTAD不仅提供了特征提取代码,还发布了各个数据集上的多种预提取特征,大大降低了研究人员的入门门槛。

OpenTAD架构图

OpenTAD的技术亮点

一站式TAD解决方案: OpenTAD提供了从数据预处理、模型训练到评估的完整流程,使得研究人员可以快速搭建TAD实验环境。
高度可定制: 通过配置文件,用户可以灵活地调整模型结构、训练策略和评估指标等参数,满足不同的研究需求。
性能优异: OpenTAD实现的多个算法在公开数据集上取得了领先的性能。例如,最新发布的AdaTAD (CVPR'24)算法在ActivityNet数据集上达到了42.90%的平均mAP,在THUMOS14数据集上达到了77.07%的平均mAP。
持续更新: OpenTAD团队保持着高频的更新节奏。最近的更新包括支持DyFADet (ECCV'24)算法,以及发布CausalTAD (arXiv'24)算法,后者在EPIC-KITCHENS-100 2024挑战赛的多个任务中均获得第一名。