摘要
截至目前，最先进的时序动作检测方法均基于双流输入，即结合RGB帧与光流（optical flow）信息。尽管融合RGB帧与光流能显著提升性能，但光流是一种人工设计的表征方式，不仅计算开销巨大，而且在方法论上存在不足——双流方法通常无法与光流进行端到端的联合学习。本文提出，高精度的时序动作检测实际上并不依赖光流，而图像级数据增强（Image-Level Data Augmentation, ILDA）是移除光流后避免性能下降的关键解决方案。为验证ILDA的有效性，我们设计了一种简单而高效的单流时序动作检测器——DaoTAD，其仅基于单个RGB流。实验结果表明，当采用ILDA进行训练时，DaoTAD在精度上可与所有现有的先进双流检测器相媲美，同时在推理速度上大幅超越此前方法，其推理速度高达6668 fps（在GeForce GTX 1080 Ti上），表现极为出色。相关代码已公开，地址为：\url{https://github.com/Media-Smart/vedatad}。