视频动作检测是计算机视觉中的重要应用,它包括视频动作分类和视频动作定位两项任务。具体来说,视频检测算法需要在视频中查找每个动作实例发生的起止时间以及该动作的所属类别。视频动作检测在许多实际应用中都起着关键作用,例如,智能监控,视频检索,体感游戏,医疗健康和智能设备控制。尽管随着深度学习的发展,短视频分类任务取得了巨大的进步。但是在现实场景中,我们面临的更多的是未经过修剪的长视频,视频动作检测仍然是一个更具挑战性的问题。为了解决视频动作中主体区域的提取困难以及视频检测中两个子任务之间存在的内在差异,本文提出了一种基于区域增强和敏感特征选择的视频动作检测结构框架。主要贡献总结如下:(1)提出了基于动作区域选择的自适应增强方法。该方法的核心在于让网络关注视频的动作区域,提升动作区域对视频检测任务的贡献同时抑制干扰区域对检测任务的影响。具体地,通过对抗训练以及代价函数的设计,让网络自主的学习到视频中的动作区域,同时引入了mask机制,引导网络渐进地扩大动作区域的贡献率,提高网络对动作的识别能力。(2)提出了敏感特征选择方法。动作分类的核心在于从众多视频帧中提取关键帧,动作定位任务则要求学习帧与帧之间的相关性。基于两个任务之间的内在差异,本文提出了一种敏感特征选择方法,该方法包含两个子模块来分别完成分类和定位的任务。前者对视频每帧的重要性进行打分,后者对帧与帧之间的相关性进行建模,实验结果表明该模块的设计能够更好的满足视频动作检测任务的需求。综合以上设计,本文提出的模型在THUMOS14数据集上的mAP@0.5达到了38.97%,比基本模型(SSN+BSN)高出2%,相较于基准方法(SSN)提高了5%。同时,实验结果表明,在不同的基础网络上嵌入本文提出的结构模块,均能取得性能的提升。