看图看片，对现在的AI来说早已不是什么难事。

不过让AI分析视频中的人类动作时，传统基于 目标检测 的方法会碰到一个挑战：

静态物体的模式与行为动作的模式有很大不同，现有系统效果很不理想。

现在，来自上海交大的 卢策吾 团队基于这一思路，将整个任务分为了两个阶段：

先将像素映射到一个 “基元活动” 组成的过度空间，然后再用可解释的逻辑规则对检测到的基元做推断。

△ 左：传统方法，右：新方法

新方法让AI真正看懂剧里的卷福手在举杯 (hold)， 右边的人在伸手掏东西 (reach for) ：

对于游戏中的多人场景也能准确分辨每一个角色的当前动作：

甚至连速度飞快的自行车运动员都能完美跟随：

能够像这样真正理解视频的AI，就能在医疗健康护理、指引、警戒等机器人领域应用。

这篇论文的一作为上海交大博士李永露，曾在CVPR 2020连中三篇论文。

目前相关代码已开源。

知识驱动的行为理解

要让AI学习人类，首先要看看人类是怎么识别活动的。

比如说，要分辨走路和跑步，我们肯定会优先关注腿部的运动状态。

再比如，要分辨一个人是否是在“喝水”，那么他的手是否在握杯，随后头又是否接触杯子，这些动作就成为了一个判断标准。

这些原子性的，或者说共通的动作就可以被看作是一种 “基元” （Primitive） 。

我们正是将一个个的基元“组合”推理出整体的动作，这就是就是人类的活动感知。

那么AI是否也能基于发现这种基元的能力，将其进行组合，并编程为某个具有组合概括性的语义呢？

因此，卢策吾团队便提出了一种知识驱动的人类行为知识引擎， HAKE （Human Activity Knowledge Engine） 。

这是一个两阶段的系统：

将像素映射到由原子活动基元跨越的中间空间

用一个推理引擎将检测到的基元编程为具有明确逻辑规则的语义，并在推理过程中更新规则。

整体来说，上述两个阶段也可以分为两个任务。

首先是建立一个包括了丰富的活动-基元标签的 知识库 ，作为推理的“燃料”。

在于702位参与者合作之后，HAKE目前已有35.7万的图像/帧，67.3万的人像，22万的物体基元，以及2640万的PaSta基元。

其次，是构建逻辑规则库和推理引擎。

在检测到基元后，研究团队使用深度学习来提取视觉和语言表征，并以此来表示基元。

然后，再用可解释的符号推理按照逻辑规则为基元编程，捕获因果的原始活动关系。

在实验中，研究者选取了建立在HICO基础上，包含4.7万张图片和600次互动的HICO-DET，以及包含430个带有时空标签的视频的AVA，这两个大规模的基准数据集。

在两个数据集上进行实例级活动检测：即同时定位活动的人/物并对活动进行分类。

结果，HAKE，在HICO-DET上大大提升了以前的实例级方法，特别是在稀有集上，比TIN提高了9.74mAP （全类平均精度） ，HAKE的上限GT-HAKE也优于最先进的方法。

在AVA上，HAKE也提高了相当多的活动的检测性能，特别是20个稀有的活动。

通讯作者曾为李飞飞团队成员

论文的通讯作者是上海交通大学的卢策吾，也是计算机科学的教授。

在加入上海交大之前，他在香港中文大学获得了博士学位，并曾在斯坦福大学担任研究员，在李飞飞团队工作。

现在，他的主要研究领域为计算机视觉、深度学习、深度强化学习和机器人视觉。

一作李永露为上海交通大学的博士生，此前他曾在中国科学院自动化研究所工作。

在CVPR 2020他连中三篇论文，也都是围绕知识驱动的行为理解 （Human Activity Understanding） 方面的工作。