基于Video-Data-Aug的学习表示不变性以实现高效的动作识别

简介：
本研究提出了一种利用Video-Data-Aug技术增强学习模型对动作识别中变化条件适应性的方法，旨在提高动作识别效率与准确性。通过数据增强策略，使模型学会忽略非本质的变化特征，专注于提取关键动作信息，从而在保持计算资源消耗较低的情况下实现高效的动作分类和识别任务。 学习表示不变性以实现数据有效的动作识别的官方PyTorch实施方法如下所述：我们遵循特定的代码结构。有关更多详细信息，请参阅相关文档。 安装： 我们将使用PyTorch-1.6.0与CUDA-10.2和Torchvision-0.7.0一起进行实验。请参考相应的安装指南以完成此步骤。 资料准备： 首先，下载人体检测结果，并将其放置在data文件夹下的相应子目录中。 其次，请根据相关说明来准备UCF-101和HMDB-51的原始帧。（从Kinetics-100数据集中提取框架的方法即将发布。） （可选）您可以选择下载预处理过的ImageNet分数。 训练： 我们使用8个RTX2080 Ti GPU进行实验，如果您的GPU数量较少，则需要相应地调整培训计划。 对于监督学习，请参考相应的指南并执行以下命令：PORT= ${PORT:-29500} python -m torch.distributed.launch --nproc_per_node。