动作和场景不必紧紧绑定，减轻场景偏差，便能轻松识别商场跳舞 球场唱歌

文章预览

作者 | 姜蔚蔚 编辑 | 贾伟 过去几年，卷积神经网络（CNN）在视频中的动作识别问题上取得了巨大的进展。然而，这些方法往往会过于关注背景中的场景，而忽视了具体的动作本身。如图1所示，尽管人类的动作在图片中被屏蔽了，我们仍然能够通过场景来推断出最有可能的动作类型。对于卷积神经网络模型而言，通过识别场景来给出动作的类型就不可避免地带上了场景偏差。 图1. 尽管看不到人影，我们仍然能够通过场景来推断具体动作。 这种场景偏差在一些情况下会导致模型产生我们不希望看到的效果。如图2所示，左图中，由于棒球场的背景，唱歌的人会被错误地预测为在打棒球，而在右图中，即使我们把游泳的人完全挡住，模型也会由于对游泳池背景的识别，给 ………………………………