SSN

简介

@InProceedings{Zhao_2017_ICCV,
author = {Zhao, Yue and Xiong, Yuanjun and Wang, Limin and Wu, Zhirong and Tang, Xiaoou and Lin, Dahua},
title = {Temporal Action Detection With Structured Segment Networks},
booktitle = {Proceedings of the IEEE International Conference on Computer Vision (ICCV)},
month = {Oct},
year = {2017}
}

模型库

配置文件	GPU 数量	主干网络	预训练	mAP@0.3	mAP@0.4	mAP@0.5	参考代码的 mAP@0.3	参考代码的 mAP@0.4	参考代码的 mAP@0.5	GPU 显存占用 (M)	ckpt	log	json	参考代码的 ckpt	参考代码的 json
ssn_r50_450e_thumos14_rgb	8	ResNet50	ImageNet	29.37	22.15	15.69	27.61	21.28	14.57	6352	ckpt	log	json	ckpt	json

注：

这里的 GPU 数量 指的是得到模型权重文件对应的 GPU 个数。默认地，MMAction2 所提供的配置文件对应使用 8 块 GPU 进行训练的情况。
依据线性缩放规则，当用户使用不同数量的 GPU 或者每块 GPU 处理不同视频个数时，需要根据批大小等比例地调节学习率。
如，lr=0.01 对应 4 GPUs x 2 video/gpu，以及 lr=0.08 对应 16 GPUs x 4 video/gpu。
由于 SSN 在训练和测试阶段使用不同的结构化时序金字塔池化方法（structured temporal pyramid pooling methods），请分别参考 ssn_r50_450e_thumos14_rgb_train 和 ssn_r50_450e_thumos14_rgb_test。
MMAction2 使用 TAG 的时序动作候选进行 SSN 模型的精度验证。关于数据准备的更多细节，用户可参考 Data 数据集准备文档准备 thumos14 的 TAG 时序动作候选。
参考代码的 SSN 模型是和 MMAction2 一样在 ResNet50 主干网络上验证的。注意，这里的 SSN 的初始设置与原代码库的 BNInception 骨干网络的设置相同。

如何训练

用户可以使用以下指令进行模型训练。

python tools/train.py ${CONFIG_FILE} [optional arguments]

例如：在 thumos14 数据集上训练 SSN 模型。

python tools/train.py configs/localization/ssn/ssn_r50_450e_thumos14_rgb_train.py

更多训练细节，可参考基础教程中的 训练配置 部分。

如何测试

用户可以使用以下指令进行模型测试。

python tools/test.py ${CONFIG_FILE} ${CHECKPOINT_FILE} [optional arguments]

例如：在 ActivityNet 特征上测试 BMN。

# 注：如果需要进行指标验证，需确测试数据的保标注文件包含真实标签
python tools/test.py configs/localization/ssn/ssn_r50_450e_thumos14_rgb_test.py checkpoints/SOME_CHECKPOINT.pth --eval mAP

更多测试细节，可参考基础教程中的 测试某个数据集 部分。