机器之心报道
参与：李亚洲、杜伟
昨日，中国香港中文大学多媒体实验室（MMLab）OpenMMLab 发布动作识别和检测库 MMAction，同时也对去年发布的目标检测工具箱 mmdetection 进行了升级，提供了一大批新的算法实现。
OpenMMLab 计划是中国香港中文大学多媒体实验室（MMLab）2018 年启动的计划，由中国香港中文大学教授、商汤科技联合创始人林达华老师负责，初衷是「为计算机视觉的一些重要方向建立统一而开放的代码库，并不断把新的算法沉淀其中。」
2018 年 10 月，在 OpenMMLab 的首期计划中，商汤和港中文正式开源了 mmdetection，这是一个基于 PyTorch 的开源目标检测工具包。该工具包支持 Mask RCNN 等多种流行的检测框架，读者可在 PyTorch 环境下测试不同的预训练模型及训练新的检测分割模型。
昨日，林达华发表知乎文章，发布 OpenMMLab 第二期内容：
- MMDetection（目标检测库）升级到 1.0，提供了一大批新的算法实现。
- MMAction（动作识别和检测库）全新发布。
MMDetection 1.0
Github 地址：open-mmlab/mmdetectiongithub.com
最新的 MMDetection 是 MMLab 联合商汤科技以及十多个研究团队合作完成的。据介绍，相较于其他开源数据库，MMDetection 1.0 的优势如下：
- 高度模块化的设计。通过不同检测算法流程的分解，形成一系列可定制的模块。然后对这些模块进行随机组合，可以迅速搭建不同的检测框架。
- 多种算法框架支持。MMDetection 直接支持多种主流的目标检测与实例分割的算法框架，包括 single-stage、two-stage、multi-stage 等多种典型架构，以及各种新型模块。此外，MMDetection 还提供了 200 多个预训练的模型。
- 高计算性能。MMDetection 所支持的主要模块均能在 GPU 上运行。整体的训练速度优于 Detectron、maskrcnn-benchmark、以及 SimpleDet。特别值得一提的是，MMDetection 还直接支持混合精度训练以及多卡联合训练，这些技术的引入都能显著提高训练的效率。
- 先进算法。MMDetection 提供了在 MSCOCO 2018 比赛中夺冠的 HTC 算法。随着越来越多研究团队加入到 mmdetection 的开发中，MMLab 研究团队将持续保持和最新算法的同步。
此外，MMLab 也发布了一份技术报告，对 MMDetection 进行了详细介绍。
从机构名称中，我们可以发现 MMDetection 的发布联合了国内外 13 所机构。
报告链接：https://arxiv.org/abs/1901.11356
该报告还提供了 MMDetection 与其他开源库的对比，可以看到 MMDetection 提供的算法远比其他开源库丰富：
MMDetection 与其他开源库的对比
MMLab 的研究团队还在 MMDetection 的基础上对相关算法进行了全方位的对比试验。他们比较了损失函数、归一化策略、训练尺度等一系列设计参数的选择对于检测性能的影响。
视频动作分析库 MMAction
林达华介绍道，「在深度学习刚刚开始进入计算机视觉领域的时候，MMLab 已经开始了对使用深度学习进行视频动作分析的研究，提出了一系列有影响的算法框架。比如，我们在 ECCV 2016 提出的时序分段网络（Temporal Segmental Network）已经被广泛运用于实际系统中，并影响了很多新的算法设计。」
基于过去几年的探索，MMLab 建立了专门用于视频动作分析的统一代码库 MMAction。
项目地址：https://github.com/open-mmlab/mmaction
据介绍，MMAction 有以下重要优点：
- 全面支持视频动作分析的各种任务，包括动作识别（action recognition）、时域动作检测（temporal action detection）以及时空动作检测（spatial-temporal action detection）。
- 支持多种流行的数据集，包括 Kinetics、THUMOS、UCF101、ActivityNet、Something-Something、以及 AVA 等。
- 已实现多种动作分析算法框架，包括 TSN、I3D、SSN、以及新的 spatial-temporal action detection 方法。MMAction 还通过 Model Zoo 提供了多个预训练模型，以及它们在不同数据集上的性能指标。
- 采用高度模块化设计。用户可以根据需要对不同模块，比如 backbone 网络、采样方案等等进行灵活重组，以满足不同的应用需要。
林达华知乎文章：https://zhuanlan.zhihu.com/p/69830582
本文为机器之心报道，转载请联系本公众号获得授权。
✄------------------------------------------------
加入机器之心（全职记者 / 实习生）：hr@jiqizhixin.com
投稿或寻求报道：content@jiqizhixin.com
广告 & 商务合作：bd@jiqizhixin.com
