actionformer_release
基于Transformer的高精度动作时刻定位模型
actionformer_release是一个基于Transformer的动作定位模型，能够检测动作实例的起止点并识别动作类别。在THUMOS14数据集上，该模型取得了71.0%的mAP，超越之前的最佳模型14.1个百分点，并首次突破60%的mAP。此外，该模型在ActivityNet 1.3和EPIC-Kitchens 100数据集上也取得了优异成绩。该项目设计简洁，通过局部自注意力机制对未剪辑视频进行时间上下文建模，并可一次性精确定位动作时刻。代码和预训练模型已开源，可供下载和试用。
ActionFormer 项目介绍
项目概述
ActionFormer是一个基于Transformer的模型，旨在进行时间动作定位，即识别视频中动作实例的起始和结束时刻，并分类这些动作。该项目通过简单高效的设计在多个基准上展现出色的性能，尤其在THUMOS14数据集上取得了71.0%的平均准确率（mAP），超出之前的最佳模型14.1个百分点，首次突破60%的mAP。此外，ActionFormer还在ActivityNet 1.3和EPIC-Kitchens 100等更具挑战性的基准上展示了强劲的效果。
背景与技术创新
ActionFormer的开发受到近年来Transformer在自然语言处理和视觉领域成功应用的启发。该方法通过局部自注意力机制在未裁剪的视频中建模时间上下文，对输入视频的每一时刻进行分类，并回归其相应的动作边界。最终形成了一个无需动作提议或预定义的锚窗口即可在单次操作中定位动作时刻的深度模型。
取得成果
- 在THUMOS14数据集上，ActionFormer达到了71.0%的mAP，显著超越以往模型。
- 在ActivityNet 1.3数据集上，获得了36.56%的平均mAP。
- 在EPIC-Kitchens 100数据集上，超出了之前的工作13.5个百分点。
- 在Ego4D瞬间查询挑战赛中是许多获胜解决方案的核心，其中一个提交方案排名第二，创造了21.76%的平均mAP和42.54%的Recall@1x（tIoU=0.5）。
使用指南
环境安装
需要安装一些依赖和编译代码，详细步骤请参见项目的INSTALL.md文件。
数据准备
在不同的数据集上复现结果前，需要准备对应的特征和注释文件，将其解压到指定路径下，并按照提供的格式组织目录结构。这些数据主要包含从预训练模型中提取的特征，以及动作的注释。
模型训练与评估
提供了不同数据集的配置文件，可通过这些配置文件进行模型训练和评估。例 如，对于THUMOS14数据集，可以使用以下命令进行训练：
python ./train.py ./configs/thumos_i3d.yaml --output reproduce
评估的结果应该接近文献中报告的值，例如在THUMOS14数据集上mAP期望在66.0%以上。
未来计划
团队计划进一步开发功能，支持用户在自己的数据集上进行训练和评估，目前还在进行中。
项目联系人
如需进一步信息或有任何疑问，可以联系李胤 (yin.li@wisc.edu)。
参考文献
如果您在研究中使用了我们的代码，请考虑引用我们的相关论著。代码、技术报告、TSP特征提取等都有相关的引用格式，帮助您在学术论文中适当引用。
编辑推荐精选
讯飞智文
一键生成PPT和Word，让学习生活更轻松
讯飞智文是一个利用 AI 技术的项目，能够帮助用户生成 PPT 以及各类文档。无论是商业领域的市场分析报告、年度目标制定，还是学生群体的职业生涯规划、实习避坑指南，亦或是活动策划、旅游攻略等内容，它都能提供支持，帮助用户精准表达，轻松呈现各种信息。
讯飞星火
深度推理能力全新升级，全面对标OpenAI o1
科大讯飞的星火大模型，支持语言理解、知识问答和文本创作等多功能，适用于多种文件和业务场景，提升办公和日常生活的效率。讯飞星火是一个提供丰富智能服务的平台，涵盖科技资讯、图像创作、写作辅助、编程解答、科研文献解读等功能，能为不同需求的用户提供便捷高效的帮助，助力用户轻松获取信息、解决问题，满足多样化使用场景。
Spark-TTS
一种基于大语言模型的高效单流解耦语音 令牌文本到语音合成模型
Spark-TTS 是一个基于 PyTorch 的开源文本到语音合成项目，由多个知名机构联合参与。该项目提供了高效的 LLM（大语言模型）驱动的语音合成方案，支持语音克隆和语音创建功能，可通过命令行界面（CLI）和 Web UI 两种方式使用。用户可以根据需求调整语音的性别、音高、速度等参数，生成高质量的语音。该项目适用于多种场景，如有声读物制作、智能语音助手开发等。
Trae
字节跳动发布的AI编程神器IDE
Trae是一种自适应的集成开发环境（IDE），通过自动化和多元协作改变开发流程。利用Trae，团队能够 更快速、精确地编写和部署代码，从而提高编程效率和项目交付速度。Trae具备上下文感知和代码自动完成功能，是提升开发效率的理想工具。
咔片PPT
AI助力，做PPT更简单！
咔片 是一款轻量化在线演示设计工具，借助 AI 技术，实现从内容生成到智能设计的一站式 PPT 制作服务。支持多种文档格式导入生成 PPT，提供海量模板、智能美化、素材替换等功能，适用于销售、教师、学生等各类人群，能高效制作出高品质 PPT，满足不同场景演示需求。
讯飞绘文
选题、配图、成文，一站式创作，让内容运营更高效
讯飞绘文，一个AI集成平台，支持写作、选题、配图、排版和发布。高效生成适用于各类媒体的定制内容，加速品牌传播，提升内容营销效果。
材料星
专业的AI公文写作平台，公文写作神器
AI 材料星，专业的 AI 公文写作辅助平台，为体制内工作人员提供高效的公文写作解决方案。拥有海量公文文库、9 大核心 AI 功能，支持 30 + 文稿类型生成，助力快速完成领导讲话、工 作总结、述职报告等材料，提升办公效率，是体制打工人的得力写作神器。
openai-agents-python
OpenAI Agents SDK，助力开发者便捷使用 OpenAI 相关功能。
openai-agents-python 是 OpenAI 推出的一款强大 Python SDK，它为开发者提供了与 OpenAI 模型交互的高效工具，支持工具调用、结果处理、追踪等功能，涵盖多种应用场景，如研究助手、财务研究等，能显著提升开发效率，让开发者更轻松地利用 OpenAI 的技术优势。
Hunyuan3D-2
高分辨率纹理 3D 资产生成
Hunyuan3D-2 是腾讯开发的用于 3D 资产生成的强大工具，支持从文本描述、单张图片或多视角图片生成 3D 模型，具备快速形状生成能力，可生成带纹理的高质量 3D 模型，适用于多个领域，为 3D 创作提供了高效解决方案。
3FS
一个具备存储、管理和客户端操作等多种功能的分布式文件系统相关项目。
3FS 是一个功能强大的分布式文件系统项目，涵盖了存储引擎、元数据管理、客户端工具等多个模块。它支持多种文件操作，如创建文件和目录、设置布局等，同时具备高效的事件循环、节点选择和协程池管理等特性。适用于需要大规模数据存储和管理的场景，能够提高系统的性能和可靠性，是分布式存储领域的优质解决方案。
推荐工具精选
AI云服务特惠
懂AI专属折扣关注微信公众号
最新AI工具、AI资讯
独家AI资源、AI项目落地
微信扫一扫关注公众号