摘要
我们介绍了一种在AVA数据集上进行动作定位的简单基线模型。该模型基于Faster R-CNN边界框检测框架，经过调整以处理纯时空特征——在我们的案例中，这些特征完全由在Kinetics数据集上预训练的I3D模型生成。此模型在AVA v2.1验证集上的平均精度（AP）达到21.9%，而原始AVA论文中使用的最佳RGB时空模型（该模型在Kinetics和ImageNet上进行了预训练）的平均精度为14.5%，公开可用的基线模型使用ResNet101图像特征提取器（该提取器仅在ImageNet上预训练）的平均精度为11.3%。我们的最终模型在验证集和测试集上的平均精度（mAP）分别为22.8%和21.9%，超过了CVPR 2018所有提交至AVA挑战赛的作品。