计算机视觉技术可以识别图像中的物体。这项技术现在应用很广。手机的人脸识别就用到了它。自动驾驶汽车也依靠它来看懂路况。我的论文题目和这个领域有关。我想研究怎么让计算机更好地理解视频内容。视频就是一连串的图像。现在的算法处理单张图片不错。但处理连续画面还有困难。视频里的信息很多。物体在动。背景也在变。光线会不同。角度会改变。这些因素都增加了难度。

我的研究重点是一种叫时序建模的方法。简单说就是让计算机学会看连续的画面。它不能只看一张图。它需要联系前面的画面和后面的画面。比如一个人挥手。只看中间的一张图。可能看不清手在做什么。看了整个动作过程。计算机就知道这是挥手。我的工作就是改进这个方法。我想让计算机更准确地看懂视频里发生的事。

我先要了解现有的方法。很多人已经做过研究。他们提出了不同的模型。有的模型考虑短时间的信息。有的模型尝试联系长时间的信息。这些模型各有优点。也各有缺点。我看了一些论文。也读了一些技术的文章。我还在电脑上试了一些公开的代码。这个过程花了很长时间。我做了很多笔记。我记录下哪些方法效果好。哪些效果不好。为什么不好。是速度太慢。还是准确度不高。我都记下来。

接下来我要提出自己的方法。我觉得现在的模型可以更简单一些。太复杂的模型需要很多计算资源。它们跑得慢。不容易用到实际生活中。我想设计一个轻量级的模型。它应该速度快。准确度也不能太低。我画了很多设计图。我在草稿纸上写写画画。我想到了几种不同的结构。然后我开始在电脑上实现它们。我用的是一种叫Python的编程语言。还有一个叫PyTorch的工具。这些都是现在常用的。

我准备了实验用的数据。数据就是一大堆视频。这些视频已经被人标好了标签。比如“走路”、“跑步”、“开门”。我的模型要看视频。然后猜出它是什么动作。我用了公开的数据集。数据集的名字叫Kinetics。它很大。有几十万个视频片段。类别也很多。有几百种不同的动作。用这么大的数据训练。模型才能学得好。

训练模型很花时间。我把数据输入电脑。模型开始学习。它一开始什么也不懂。猜的都是错的。我告诉它正确答案。它慢慢调整自己。这个过程叫训练。我用了好几台很强的电脑。它们有图形处理器。这种处理器算得快。即使这样。训练一个模型也要好几天。我守着电脑。看着屏幕上的数字变化。这些数字代表模型的错误率。错误率慢慢下降。说明模型在进步。有时候错误率不降了。我就得调整方法。改改参数。参数就像旋钮。拧一拧。效果可能就变了。

我做了很多次实验。我试了我设计的几种结构。我把它们和别人的方法比较。我比较几个方面。首先是准确度。我的模型在测试集上表现不错。测试集是模型没看过的视频。它能猜对很多动作。准确度接近那些复杂的模型。其次是速度。我的模型很小。它需要的计算量少。在同样的电脑上。我的模型能处理更多的视频。每秒能分析的帧数更多。这很重要。实际应用里。速度往往很关键。最后是模型的尺寸。我的模型文件很小。占的存储空间少。这方便把它放到手机或者摄像头里。

我还做了一些分析。我想知道我的模型为什么有效。我找了几个视频例子。我看模型关注画面的哪些部分。我用技术生成了热力图。热力图上亮的地方就是模型注意的地方。我发现我的模型能跟踪运动的物体。比如一个人踢球。模型会一直注意这个人和球。对于背景里不动的东西。模型不太关心。这说明它学会了找关键信息。这个结果让我很高兴。

研究过程中我遇到很多问题。有时候模型怎么训练效果都不好。我检查代码。发现了一个小错误。改过来就好了。有时候是数据的问题。有些视频质量差。画面模糊。这会影响学习。我清理了部分数据。还有的时候。想法看起来很好。但实验结果不行。我只能回头再想新办法。做研究就是这样。失败很多次。成功一次就好。

我的工作有自己的价值。现在需要处理视频的地方越来越多。安防监控要看视频。找出异常行为。视频网站要给视频打标签。方便人们搜索。智能家电要理解人的手势。这些都需要好的视频理解模型。我的模型又快又小。效果还好。这能让技术更容易用起来。成本也可能降低。普通人可能因此受益。比如家里的监控更智能了。手机的功能更强了。

这个研究还可以继续做下去。我的模型现在主要识别人的动作。以后可以教它识别更细的东西。比如人的情绪。或者物体之间的复杂关系。模型也可以用到更多地方。比如帮助医生分析医疗视频。或者帮助老师分析课堂情况。这些都是未来的方向。

我花了很长时间写论文。我要把我的工作讲清楚。我写了为什么要做这个研究。我写了别人做了什么。我写了我怎么做的。我写了实验结果。我画了图表。我放了数据。我确保每一步都讲得明白。我要让看论文的人能看懂。能相信我的结果。能重复我的实验。这是我的硕士论文。它是我三年学习的成果。我很认真地对它。