An Animation-based Augmentation Approach for Action Recognition from Discontinuous Video

最近，由于动作识别在多个领域中的广泛应用，其研究引起了相当大的关注。然而，不连续的训练视频问题仍然鲜有研究，这不仅降低了动作识别模型的性能，而且使数据增强过程变得复杂。在本研究中，我们介绍了一种创新的数据增强方法——4A（基于动画的动作增强方法），以解决这个问题。我们的主要贡献包括：（1）我们研究了不连续视频对动作识别任务训练性能的严重影响，以及现有增强方法在解决这个问题上的局限性。（2）我们提出了一种新颖的增强方法——4A，以解决训练中的不连续视频问题，同时实现比最新的数据增强方法更平滑、更自然的动作表示。（3）通过采用我们的数据增强技术，我们只使用原始数据的10％就能实现与真实世界数据集中所有原始数据相同的性能，并在野外视频上实现更好的性能。

本论文旨在解决动作识别模型训练中断视频所带来的性能下降和数据增强困难的问题，并提出了一种新的数据增强方法。

本论文提出了一种名为4A的数据增强方法，通过基于动画的方法生成平滑自然的动作表示，解决了中断视频所带来的问题。

论文使用了真实世界数据集进行实验，结果表明4A方法可以用10%的原始数据达到与全部数据相同的性能，且在In-the-wild视频上表现更好。此外，论文还提出了一种新的数据增强方法，值得进一步研究。

在这个领域中，一些相关研究包括：Action Recognition with Spatial-temporal Discriminative Filter Banks, Learning Spatiotemporal Features with 3D Convolutional Networks, A Closer Look at Spatiotemporal Convolutions for Action Recognition等。