ccf bdci 2021 花样滑冰选手骨骼点动作识别比赛 基于 MMAction2 的解决方案

这里分享一个 ccf bdci 2021 花样滑冰选手骨骼点动作识别比赛的基于 MMAction2 的解决方案。 我们在 a 榜的分数是 73.56。

Here we provide a MMAction2-based solution for the competition 2021 ccf bdci.

Installation

• MMCV >= 1.3.14

pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/{cu_version}/{torch_version}/index.html

Please replace {cu_version} and {torch_version} in the url to your desired one. For example, to install the latest mmcv-full with CUDA 11 and PyTorch 1.7.0, use the following command:

pip install mmcv-full -f https://download.openmmlab.com/mmcv/dist/cu110/torch1.7.0/index.html

See here for different versions of MMCV compatible to different PyTorch and CUDA versions.

• MMAction2 >= 0.20.0

pip install mmaction2

Data preprocess

You can use the following command to preprocess the data:

1. generate the joint data (比赛提供的skeleton数据， 包含三维信息 (x,y,confidence))

python data_pre/gen_ski_all.py
python data_pre/gen_ski_test.py
python data_pre/no_padframe.py

2. generate the bone data (每个 bone 由两个skeleton连接而成， 离中心点远的 skeleton 和离中心点近的 skeleton 在 (x ,y, confidence) 维度做差)

python data_pre/gen_ski_all_bone.py

3. generate the bone_xy data (跟 Bone 类似，但是仅在 x 和 y 维度上做差， confidence 维度上取两个 joint 的confidence均值)

python data_pre/gen_ski_all_bone_xy.py

4. generate the motion data (时间间隔 T=1 相邻两帧的对应 skeleton 在 x, y 维度上做差， confidence 维度上取两个skeleton的confidence均值)

python data_pre/gen_ski_all_motion.py

5. generate the motion2 data (时间间隔 T=1 相邻两帧的对应 skeleton 在 x,y 维度上做差， 时间间隔 T=2 相邻两帧的对应 skeleton 在 x,y 维度上做差， confidence 维度上取时间间隔 T=1 相邻两帧的对应 skeleton 的confidence均值)

python data_pre/gen_ski_all_motion_5chan.py

6. generate the data for PoseC3D model

python data_pre/gen_posec3d_all.py

7. augmentation (对少样本类别的 x,y 坐标进行一定的随机旋转和位移)

python data_pre/analyze_augmentation.py

Model training scripts

GPUS=${GPUS} tools/slurm_train.sh ${PARTITION} ${JOB_NAME} ${CONFIG_FILE} --work-dir ${WORK_DIR} --validate

我们比赛的解决方案中共使用 9 个模型， 对应的 config 文件都置于 configs/ 目录下:

其中 2s_bone_aug.py, 2s_bone.py, 2s_joint.py, posec3d_keypoint.py, posec3d_limb.py 使用 8 个 GPU 训练, ms_bone_xy_500.py, ms_bone_xy_600.py, ms_motion_xy_500_5chan.py 使用 1 个 GPU 训练, ms_motion_xy_750.py 使用 2 个 GPU 训练。

Model testing scripts and generate outputs

python tools/test.py ${CONFIG_FILE} ${CHECKPOINT_DIR} --eval top_k_accuracy
    --out joint.pkl

要生成 test 数据的预测结果时， 把 ann_file_val 的路径改成对应的 test.pkl 的路径。 同时， 由于上面把比赛的带标注的数据集分成了 train/val 来训练和验证， 我们需要将所有这些 train/val 都用来训练，训练的 epoch 数取决于之前 train 的时候 best_pth 所在的epoch， 最后用 retrain 的模型来生成对比赛 test 数据的预测结果。

Model ensemble

python data_pre/gen_test_output_ensemble.py

在融合 softmax score 时，GCN-based 模型的系数选择了 1/7，PoseC3D 模型的系数选择了 1/10。

License

This project is released under the Apache 2.0 license.