English | 简体中文
BMN模型是百度自研，2019年ActivityNet夺冠方案，为视频动作定位问题中proposal的生成提供高效的解决方案，在PaddlePaddle上首次开源。此模型引入边界匹配(Boundary-Matching, BM)机制来评估proposal的置信度，按照proposal开始边界的位置及其长度将所有可能存在的proposal组合成一个二维的BM置信度图，图中每个点的数值代表其所对应的proposal的置信度分数。网络由三个模块组成，基础模块作为主干网络处理输入的特征序列，TEM模块预测每一个时序位置属于动作开始、动作结束的概率，PEM模块生成BM置信度图。
BMN Overview
BMN的训练数据采用ActivityNet1.3提供的数据集，数据下载及准备请参考ActivityNet数据说明
数据准备完毕后，可以通过如下方式启动训练：
export CUDA_VISIBLE_DEVICES=0,1,2,3
python -B -m paddle.distributed.launch --gpus="0,1,2,3" --log_dir=log_bmn main.py --validate -c configs/localization/bmn.yaml- 从头开始训练，使用上述启动命令行或者脚本程序即可启动训练，不需要用到预训练模型
单卡训练请将配置文件中的DATASET.batch_size字段修改为16，如下:
DATASET: #DATASET field
batch_size: 16 #single card bacth size单卡训练启动方式如下:
python -B main.py --validate -c configs/localization/bmn.yaml可通过如下方式进行模型测试:
python main.py --test -c configs/localization/bmn.yaml -w output/BMN/BMN_epoch_00009.pdparams -o DATASET.test_batch_size=1-
目前仅支持单卡，
batch_size为1进行模型测试， -
请下载activity_net_1_3_new.json文件，并通过
METRIC.ground_truth_filename字段指定该ground_truth文件，相较于原始的activity_net.v1-3.min.json文件，我们过滤了其中一些失效的视频条目。 -
通过
-w参数指定待测试模型文件的路径，您可以下载我们训练好的模型进行测试BMN.pdparams -
上述程序会将运行结果保存在配置文件
METRIC.output_path字段指定的路径，默认为data/bmn/BMN_Test_output文件夹下，测试结果保存在配置文件METRIC.result_path字段指定的文件，默认为data/bmn/BMN_Test_results/bmn_results_validation.json文件。 -
我们基于ActivityNet官方提供的测试脚本，计算AR@AN和AUC。具体计算过程请参考anet_prop.py文件。
-
注：评估时可能会出现loss为nan的情况。这是由于评估时用的是单个样本，可能存在没有iou>0.6的样本，所以为nan，对最终的评估结果没有影响。
在ActivityNet1.3数据集下评估精度如下:
| AR@1 | AR@5 | AR@10 | AR@100 | AUC |
|---|---|---|---|---|
| 33.26 | 49.48 | 56.86 | 75.19 | 67.23% |
python3.7 tools/export_model.py -c configs/localization/bmn.yaml \
-p data/BMN.pdparams \
-o inference/BMN上述命令将生成预测所需的模型结构文件BMN.pdmodel和模型权重文件BMN.pdiparams。
- 各参数含义可参考模型推理方法
python3.7 tools/predict.py --input_file data/example_feat.list \
--config configs/localization/bmn.yaml \
--model_file inference/BMN/BMN.pdmodel \
--params_file inference/BMN/BMN.pdiparams \
--use_gpu=True \
--use_tensorrt=Falseinput_file为文本文件，指定待推断的文件信息，包括特征文件路径feat_path和视频时长(单位:s)duration_second。
输出示例如下:
BMN Inference results of data/example_feat.npy :
{'score': 0.7968077063560486, 'segment': [0.0, 122.9877]}
{'score': 0.49097609519958496, 'segment': [12.423000000000002, 124.23]}
{'score': 0.21395835280418396, 'segment': [39.7536, 122.9877]}
{'score': 0.2106524258852005, 'segment': [0.0, 109.3224]}
{'score': 0.06876271963119507, 'segment': [23.6037, 114.2916]}
- 默认只打印前5个得分最高的proposal，所有的预测结果可在输出文件中查看，默认输出文件路径为
data/bmn/BMN_INFERENCE_results。输出路径可在配置文件中的INFERENCE.result_path自行修改。
- BMN: Boundary-Matching Network for Temporal Action Proposal Generation, Tianwei Lin, Xiao Liu, Xin Li, Errui Ding, Shilei Wen.