[行为识别]RPAN：An End-to-End Recurrent Pose-Attention Network for Action Recognition in Videos

这是一篇视频动作识别的论文，但值得注意的是，他利用了pose estimation的信息，即视频中人物的关节点的信息。论文没有在常见的HMDB和UCF101上测试，而是在两个带有关节点信息的小数据集上进行了测试， Sub-JHMDB and PennAction。

一、文章框架

1.卷积特征

本文首先用TSN提取每帧图片的feature map， 9×15×1024。即上图中的Ct，TSN并没有画出来

2.attention mechanism.

将feature map 以及上一时刻lstm的隐藏特征h(t−1)$h_{(}t-1)$送入attention模块，得到attention map, 9*15

文中最后分析了，这个attention 机制最后能使lstm捕捉到更多的运动特征，所以attention主要是帮助lstm.
(在什么情况下attention能帮助ＣＮＮ，使它只提取想要的位置的特征？位为什么不联合ＴＳＮ的卷积层一起训练？)

3. bodyPart特征

再将feature map和attention按照一定的方式相乘，得到每个body part 的特征Ft,p再拼接得到整个图片的特征St

4.LSTM时序记忆

将St送入lstm，记忆整个视频的信息，最后得出分类
损失函数包含两部分，一部分是类别的交叉熵损失函数，另一个是结合attention的pose loss


本人认为最重要的就是这个pose loss ，用它来控制attention更加关注于各个关节点。不同于之前的attention 方法，只有类别loss。
这里的αJt(K)${\alpha }_t^J(K)$就是attention heat map
这里的MJt(k)$M_t^J(k)$ 就是所谓的pose guidance , 即ground truth heat map.
以关节点中心加上高斯分布，然后再resize到和attention heat map 相同大小。
其中k$k$代表feature map中的位置，总共有9×15个位置，K1∗K2=15$K_1\ast K_2=15$

二、对比其他方法

1. 双流网络，其中光流只能获取短时间上的信息
2. CNN+LSTM,其中CNN由全连接层中提取出的特征，不能表示精细的动作
3. 之前的attention+lstm方法，loss只涉及了分类的交叉熵损失函数，缺乏temporal guidance（本文加了joints guidance以及pose loss ），并不能很好的训练LSTM

三、关节点&feature map

1.首先，frame被resize到和feature map一样大小，9×15
2.然后找到关节点在feature map中的对应位置，
3.在所有的feature map 中找到每个关节点的最高激励, highest-activated feature map
4.将这个feature map 重新resize到原frame大小，找到80X80的loaction
这样就取出了feature中最高激励对应的关节点的的位置.
我猜这个找到80X80的location可能只是作者想说明一下resize的过程。和最后pose estimation 中的attention heat map 不是一个东西。

四、关于文章的一些问题

1.文中的bodypart P 具体是对应feature map的哪些像素呢，还是对应哪些feature map？难道是fig.1中 highest-activated feature map的组合?
具体的是哪些，还需要看代码

2.在训练的时候知道关节点的位置，在预测的时候不知道关节点的信息， 那在测试的时候，我猜已经没有这个Fpt$F_t^p$了
For a testing frame, we use the estimated heatmaps of all joints (Eq. 2 - 3) to summarize the convolutional cube as a pose feature
这句话的意思是test时没有Fpt$F_t^p$了，只是把所有的part加起来构成一个整体的feature 用于分类？

4.TSN是双流网络，你的一个流用的是RGB，另一个流用的光流吗？
但是TSN的ＲＧＢ流输入的是一张图片，怎么用LSTM呢
In this case, we perform our RPAN separately on the convolution cubes from different streams, similar to two-stream fashion of TSN.
这句话也不太理解

５. byproduct论文中说本文的一个副产品是可以用来做pose estimation ， 在测试阶段 ，将估计出来的attention heat map中，attention score最高的作为关节点的位置。
attention heat map 不是只有一个9X15的 map吗，这里attention score最高，是指局部最高吗（因为有很多关节点）？ 每个关节点的局部最高是怎么确定的呢

6.关于feature map Ct 的维度，dc ==1024?

五、实验部分

1.attention 机制

without ：不加attention
share all：没有关节点信息的attention
Separate-Joint：attention mechanism with guidance of separate joints
Human-Part： pose-attention mechanism with human-part-structure
四种方法的效果依次增加，加attention的比不加好，将关节点组合成bodyPart比关节点分开要好。文中给出了在PennAction数据集上的confusion matrx，感觉每个类别的差距并不大，也可能是数据集太小？

2. Huamn part pooling

文章对比了三种拼接body part 特征的方法，其中拼接是最好的

3.提取CNN 的网络

文章中对比了两种用来提特征的网络，TSN比较好一些

TSN本身已经是视频动作识别中一种比较好的方法了，不过TSN的时序记忆并没有采用LSTM，而是分成了两个网络,　Temporal 和 Spatial　stream. Temporal输入的是多张光流图片，Spatial输入的是单张ＲＧＢ图片。RPAN的每一个流的效果在这两个数据集上都要比TSN好。也可能是数据集的原因。
本文还用ＴＳＮ在这两个数据集上做了验证，看来也是花了不少功夫。

3.总体结果