基于注意力機制的改進殘差網絡的人體行為識別方法

王昊飛　李俊峰

摘? 要：針對ResNeXt網絡（殘差網絡）中存在的對特征提取不充分，以及數據集中背景信息干擾的問題，將ResNeXt網絡和注意力機制相結合，提出了一種基于注意力機制的ResNeXt模型。首先，在ResNeXt網絡的基礎上，將淺層和深層的特征融合生成新型網絡結構。其次，將全連接層由全局平均池化層替代，然后在通道空間注意力機制中添加一個條件因子，同時將改進后的注意力機制嵌入上述網絡中。最后，在UCF101和HMDB51上分別進行實驗，得到了95.2%和65.6%的準確率。研究表明，本文提出的模型可以有效地提取關鍵特征，充分利用不同層次的特征信息獲得較好的準確率。

關鍵詞：人體行為識別;注意力機制;ResNeXt;全局平均池化

中圖分類號：TP183? ? ?文獻標識碼：A

Human Action Recognition Method based on Attention

Mechanism and Improved ResNeXt Network

WANG Haofei， LI Junfeng

（Faculty of Mechanical Engineering & Automation， Zhejiang Sci-Tech University， Hangzhou 310018， China）

haofeiwang@yeah.net; ljf2003zz@163.com

Abstract： Aiming at problems of insufficient feature extraction in ResNeXt network and background information interference in the dataset， this paper proposes a ResNeXt model based on attention mechanism， which combines the ResNeXt network and attention mechanism. First， based on ResNeXt network， shallow and deep features are merged to generate a new network structure. Second， the fully connected layer is replaced by a global average pooling layer. Then channel attention mechanism is improved by adding a condition factor. At the same time， the improved attention mechanism is embedded in the above-mentioned network. Finally， experiments are performed on UCF101 and HMDB51 respectively， and the accuracy rates of 95.2% and 65.6% are obtained. Experiments show that the proposed model can effectively extract key features， and make full use of feature information of different layers to achieve better accuracy.

Keywords： human action recognition; attention mechanism; ResNeXt network; global average pooling

1? ?引 言（Introduction）

人體行為識別技術是從包含運動信息的圖像、視頻中進行識別的。在視頻監控、智能家居、運動分析以及VR等領域都離不開人體行為的識別。人體行為識別已成為計算機視覺研究中的一個非常重要的領域[1]。由于視點的不同、背景的復雜性以及光照條件等的影響，人體行為識別仍然是一項非常具有挑戰性的課題。傳統人體行為識別是基于手工設計的特征[2]進行識別，并且依賴數據集特征提取的先驗知識，耗費大量的時間和精力。隨著深度學習的興起，解決了手動設計特征的不足，在人體行為識別領域取得了重大進展[3]，已經明顯超過了手工設計的特征。XIE等[4]提出了ResNeXt網絡，用一種平行堆疊相同拓撲結構的blocks來代替殘差網絡三層卷積的block，同時增加了“基數”這一概念，減少了超參數數量，計算效率高，準確率高。注意力機制可以將其他不重要的信息忽略掉，重點關注關鍵信息[5]。將注意力機制應用到視頻中的行為識別，能夠有效提取視頻幀中的關鍵信息。基于上述方法，為了充分提取視頻中的特征，本文對ResNeXt網絡進行改進并嵌入了改進后的通道空間注意力機制模型。

2? 改進后的ResNeXt網絡結構（Improved ResNeXt network architecture）

首先，本文將使用改進后的ResNeXt網絡作為特征提取網絡來提取時空特征，并將不同層次的特征進行融合，以充分利用各類特征信息。其次，網絡中嵌入改進后的通道空間注意力機制，使網絡更加關注有強反饋能力的特征。最后，經過全局平均池化操作后送入softmax函數進行分類，得到最終結果。本文提出的網絡結構如圖1所示。

本文采用的卷積網絡為ResNeXt101，主體由四個殘差模塊組成。殘差模塊的結構如圖2所示，1×1×1和3×3×3表示卷積核大小，F表示通道數，group表示分組卷積的組數，即將特征圖分成group組的小特征圖。ResNeXt網絡結構采用VGG網絡和inception網絡中轉換合并的思想，用一種平行的相同拓撲結構的block進行堆疊來進行分組卷積，用來控制分組數量，在沒有增加參數復雜度的情況下提高了準確率。

本文中網絡的殘差模塊分別用layer1、layer2、layer3、layer4表示，網絡的具體結構如圖3所示。隨著網絡的加深，一些細節特征被過濾掉，導致對提取到的特征利用不充分。本文改進后的ResNeXt網絡將淺層網絡提取的細節特征和深層網絡提取的特征相融合，以充分利用各個層次所提取的特征信息。

對注意力機制輸出的特征進行步長為2、卷積核大小為1的卷積，卷積操作后的特征和layer2輸出的特征相融合輸入layer3中繼續進行卷積操作。同理，將和layer2融合后的特征進行兩次步長為2、卷積核大小為1的卷積操作，并和layer4輸出的特征相融合。進行卷積操作的目的是為了降低維度，使特征圖能夠進行融合。文中沒有采用逐層特征融合，而是采用跳層融合的方式，首先是為了降低模型參數，減少計算量;其次，如果采用逐層融合的方式，包含過多的特征，會造成冗余的信息。兩種特征采用element-wise進行融合。

3? ?注意力機制（Attention mechanism）

注意力機制模型[6]如圖4所示，由通道注意力機制和空間注意力機制串聯組成，對特征圖在通道和空間維度上進行注意力生成，可以在不明顯增加計算量的基礎上提高準確率。

（1）通道注意力機制

本文對通道注意力機制進行了改進，由于平均池化和最大池化提取到的特征有所區別，添加了條件因子來對不同的特征進行權重分配。改進后的通道注意力機制如圖5所示。首先將輸入特征圖在空間維度上進行壓縮，分別進行平均池化和最大池化操作，得到和。然后對得到的這兩個特征圖進行權重分配，將這兩個重新分配的特征輸入一個共享網絡中，該共享網絡是包含一個隱藏層的多層感知機（MLP），經過共享網絡的處理后，用element-wise求和輸出特征向量。

（2）空間注意力機制

空間注意力機制如圖6所示，將特征圖在通道維度上進行壓縮。對輸入的特征圖分別在通道維度做平均池化和最大池化操作，得到兩個二維特征;然后，按照通道將特征進行拼接得到一個特征圖;最后，對其進行卷積操作，使得最終得到的特征圖和輸入的特征圖在空間維度上一致。

4? ?全局平均池化（Global average pooling）

傳統的卷積神經網絡分類時使用全連接層和softmax回歸層。但是，由于全連接層參數過多，計算量大，容易造成過擬合，同時全連接層容易導致特征圖損失空間位置信息。因此，本文采用全局平均池化層[7]來代替ResNeXt的全連接層，使特征圖和行為類別之間的聯系更加直觀，轉換為分類的概率更加容易，對空間位置信息的魯棒性更強。

全局平均池化是對每一個通道圖的所有像素求平均值，在特征提取的最后一個卷積層生成k 個特征圖;經過全局平均池化層后得到k 個1×1的特征圖，將這些特征圖輸入softmax層，輸出結果就是k 個類別的置信度。

圖7為全局平均池化示意圖，圖8為全連接示意圖。本文對圖7和圖8進行參數計算，假設輸入特征圖大小為3×3×3，則全連接層產生的參數個數為3×3×3×3=81 個，而全局平均池化層將輸入特征進行池化后直接送入softmax，所以參數個數為3×1×1×3=9 個。相比于全連接層，全局平均池化層的參數成倍數減少。

5? ?實驗（Experiment）

5.1? ?數據集

（1）UCF101數據集

UCF101[8]是行為類別和樣本數量最多的數據庫之一，其中包含13，320 個視頻和101 個類別。數據庫的樣本取自從BBC/ESPN收集并從網絡上下載的各種運動的樣本。UCF101多樣性較強，在相機運動，人體的外形、形態、視點、背景、光照條件等各種不同的條件下存在較大差異，是目前為止最具挑戰性的數據庫之一。101 類行為被分成25 組，每組包括4—7 個視頻，主要分為人與物體之間的交互、人與人之間的交互、人體自身的行為、演奏樂器和運動五類，如畫眼妝、打籃球、打太極拳、彈吉他、攀巖等。同一組視頻可能有一些共同的特征，如背景、視點等。如圖9所示為部分動作示意圖。

（2）HMDB51數據集

HMDB51[9]包含6，849 個視頻，總共51 個類別，每個類別至少包含101 個視頻。大多數視頻來自電影片段，有些來自公共數據庫，例如YouTube。動作主要包含一般面部的行為、面部的操作與對象的操作、身體的行為、身體與對象交互的行為和人體自身的行為五類，如交談、喝水、倒立、騎自行車、擁抱等。部分動作示意圖如圖10所示。

5.2? ?視頻采樣與參數設置

本文將視頻隨機的一個位置進行均勻采樣生成16 幀的輸入片段，并通過裁剪的方式將樣本尺寸統一為112×112，所以網絡的輸入樣本大小為3×16×112×112。訓練過程中，初始學習率設置為0.05，并在驗證損失達到飽和后將其除以10，進行學習率衰減優化。使用動量為0.9的隨機梯度下降優化器來對網絡進行優化，使用ReLU激活函數，采用交叉熵損失函數計算損失。

5.3? ?結果與分析

（1）不同條件因子下的比較實驗

該部分就改進的注意力機制中的條件因子的不同取值進行實驗，分別在UCF101和HMDB51數據集劃分的spilt1部分進行實驗，條件因子分別取0.1、0.3、0.5、0.7、0.9，得到的結果如圖11所示。可以看出，在UCF101上，當取值為0.5時，效果較好;在HMDB51上，當取值為0.7時，效果較好。所以本文選取為0.5和0.7分別進行實驗。

（2）拆分實驗

該部分將數據集UCF101和HMDB51分別拆分成三個部分進行實驗，取三者的平均值作為最終結果。UCF101數據集被分成三個部分，每個部分包含測試集和訓練集，每類行為的測試集和訓練集總共為25 組，其中測試集包含7 組，訓練集包含18 組。三種不同的拆分方式中的測試集交叉取前中后7 組，訓練集取剩下的18 組，三個部分的測試集和訓練集一一對應。而HMDB51數據集隨機生成三種拆分方式。首先選擇元標簽分布最平衡的片段，然后選擇與之關聯最小的第二、第三片段，一次得到三種不同的拆分方式。每種拆分方式的每類行為都包含70 組訓練片段和30 組測試片段，結果如表1所示。

（3）有無注意力機制對比實驗

該部分對添加了注意力機制的特征圖進行了可視化，將生成的熱力圖和原圖相結合，如圖12所示。圖中熱力圖深色區域表示所預測到的行為，淺色區域表示背景部分，深色越深代表所受的關注越多。可以看出，添加注意力機制模型后，能夠更有效地集中在關鍵信息處，能夠更好地提取行為的關鍵信息，以便提高識別的準確率。本部分有無注意力機制模型進行對比的實驗結果如表2所示。由表2可知，添加注意力機制后，無論是在UCF101還是在HMDB51上的準確率都有一定的提升。

（4）與其他算法的對比實驗

為了驗證本文算法的有效性，在數據集UCF101和HMDB51上，與近年來主流的iDT[10]、TSN[11]、Two-Stream CNN[12]等人體行為識別方法進行了比較，實驗結果如表3所示。結果表明，本文的識別模型相比一些主流模型準確率有了大幅度提高，尤其在UCF101數據集上比iDT、Two-Stream分別提高了8.8%和7.2%。

6? ?結論（Conclusion）

本文提出了一種基于注意力機制的改進ResNeXt模型，并將其用于視頻中的人體行為識別，將ResNeXt網絡中的淺層特征和高層特征相融合，充分利用不同層次的特征。在通道空間注意力機制中加入條件因子，對不同的池化分配權重，并嵌入改進后的ResNeXt網絡中，能夠有效提取行為的關鍵特征;網絡的最后用全局平均池化層取代全連接層，降低了網絡過擬合的可能性，同時減少了參數。實驗結果表明，本文提出的改進ResNeXt人體行為識別模型在UCF101和HMDB51數據集上獲得了較好的識別率，具有一定的泛化性。

參考文獻（References）

[1] 周波，李俊峰.結合目標檢測的人體行為識別[J].自動化學報，2020，46（09）：1961-1970.

[2] 朱煜，趙江坤，王逸寧，等.基于深度學習的人體行為識別算法綜述[J].自動化學報，2016，42（6）：848-857.

[3] 周風余，尹建芹，楊陽，等.基于時序深度置信網絡的在線人體動作識別[J].自動化學報，2016，42（7）：1030-1039.

[4] XIE S， GIRSHICK R. Aggregated residual transformations for deep neural networks[C]// IEEE.IEEE Conference on Computer Vision and Pattern Recognition. Honolulu， Hawaii， USA： IEEE， 2017：1492-1500.

[5] 王翔，任佳.基于多注意力機制的深度神經網絡故障診斷算法[J].浙江理工大學學報（自然科學版），2020，43（02）：224-231.

[6] 徐巖，李曉振，吳作宏，等.基于殘差注意力網絡的馬鈴薯葉部病害識別[J].山東科技大學學報（自然科學版），2021，40（02）：

76-83.

[7] LIN M， CHEN Q， YAN S. Network in network[J/OL]. （2013-10-16）[2021-3-18]. https：//arxiv.org/abs/1312.4400.

[8] SOOMRO K， ZAMIR A R， SHAH M. UCF101： A dataset of 101 human actions classes from videos in the wild[J/OL]. （2012-10-3）[2021-3-18]. https：//arxiv.org/abs/1212.0402.

[9] 朱紅蕾，朱昶勝，徐志剛.人體行為識別數據集研究進展[J].自動化學報，2018，44（6）：978-1004.

[10] 程海粟，李慶武，仇春春，等.基于改進密集軌跡的人體行為識別算法[J].計算機工程，2016，42（08）：199-205.

[11] WANG L， XIONG Y， WANG Z， et al. Temporal segment networks： Towards good practices for deep action recognition[C]// ECCV. The 14th European Conference on Computer Vision. Berlin， Germany： Springer， 2016：20-36.

[12] SIMONYAN K， ZISSERMAN A. Two-stream convolutional networks for action recognition in videos[J/OL]. （2014-6-9）[2021-3-18]. https：//arxiv.org/abs/1406.2199.

作者簡介：

王昊飛（1994-），女，碩士生.研究領域：模式識別與智能系統.

李俊峰（1978-），男，博士，副教授.研究領域：智能信息處理，缺陷檢測.