简体中文 | English
PaddleVideo包含视频理解方向众多模型，包括基于RGB的行为识别模型，基于骨骼点的行为识别模型、时序动作检测模型、时序分割模型、时空动作检测模型、视频目标分割模型、多模态模型。其中基于RGB的行为识别方向是PaddleVideo核心建设的方向，因其训练得到的好的特征提取器提取的特征，是众多下游任务的基础输入。
与图像识别不同的是，行为识别任务的核心是提取时序信息。按模型结构的不同，基于RGB的行为识别方法大体上可以分为基于2D网络、基于3D网络、基于RNN以及基于Transformer结构的模型。2D网络一般会使用图像预训练模型配合时序模块提取时序信息，比如TSN、TSM等，简单高效。由于视频多一个时序维度，因此很自然的会使用3D卷积提取时序信息，比如I3D、SlowFast。3D模型的计算量一般比较大，训练迭代次数也更多一些。基于RNN的网络以视频特征作为输入，利用RNN提取时序信息，如AttentionLSTM。近期学界涌现了众多基于Transformer结构的行为识别网络，如TimeSformer、VideoSwin。相较于卷积网络，transformer结构的网络精度更高，计算量也会大些。
PaddleVideo自研并开源了PP-TSM，该模型基于TSM进行优化，在保持模型参数量和计算量不增加的前提下，精度得到大幅提升，欢迎使用。更多前沿模型复现与基础模型优化工作，敬请期待～
| 行为识别方法 | ||||
| PP-TSM (PP series) | PP-TSN (PP series) | PP-TimeSformer (PP series) | TSN (2D’) | TSM (2D‘) |
| SlowFast (3D’) | TimeSformer (Transformer‘) | VideoSwin (Transformer’) | TokenShift (3D’) | AttentionLSTM (RNN‘) |
| MoViNet (Lite‘) | ||||
| 基于骨骼点的行为识别方法 | ||||
| ST-GCN (GCN’) | AGCN (GCN‘) | 2s-AGCN (GCN‘) | CTR-GCN (GCN‘) | |
| 时序动作检测方法 | ||||
| BMN (One-stage‘) | ||||
| 视频时序分割 | ||||
| MS-TCN | ASRF | |||
| 时空动作检测方法 | ||||
| SlowFast+Fast R-CNN | ||||
| 多模态 | ||||
| ActBERT (Learning‘) | T2VLAD (Retrieval‘) | |||
| 视频目标分割 | ||||
| CFBI (Semi‘) | MA-Net (Supervised‘) | |||
| 单目深度估计 | ||||
| ADDS (Unsupervised‘) | ||||
- 【官方】Paddle 2.1实现视频理解优化模型 -- PP-TSM
- 【官方】Paddle 2.1实现视频理解优化模型 -- PP-TSN
- 【官方】Paddle 2.1实现视频理解经典模型 -- TSN
- 【官方】Paddle 2.1实现视频理解经典模型 -- TSM
- BMN视频动作定位
- 花样滑冰选手骨骼点动作识别ST-GCN教程
- 【实践】CV领域的Transformer模型TimeSformer实现视频理解
各模型训练推理速度参考 Benchmark.