双流神经网络及3D卷积系列论文阅读…

这周一共读了4篇论文，算是理清了从最初的时间+空间双流神经网络，到今年CVPR的3D卷积+双流网络这一系列的演化。

第一篇Two-Stream Convolutional Networks for Action Recognition in Videos提出的是一个双流的CNN网络，分别捕捉空间和时间信息。

对于空间信息，文章用的是类似于另一篇论文的CNN结构，这个准备之后在阅读，对于时间信息，文章提出了一种基于光流的时间CNN，主要思路是，从相邻的L帧图片中，提取光流信息作为输入，然后以此来表示时间信息，具体如下：

首先用OpenCV获取对应的光流信息，所谓光流信息分几种，传统的是定义了一个displacement——dt(u,v)，这个表示在t时刻对应帧上的一个点(u,v)，要把它移动到t+1时刻相应地方的方向向量。至于这个点具体要怎么得出，可以用OpenCV直接处理视频的帧然后得到。此外还有其他几种表示光流的方法，具体可见论文。

有了对应的光流信息之后，对于某一帧，首先空间信息就是把原图（经过处理）输入到网络，然后空间信息就是从该帧开始接下来连续的L帧，每相邻两帧之间提取所有点的光流信息作为输入，分为X轴和Y轴方向，因此设每帧长宽为w*h个像素点，那么每帧对应的时间网络输入信息的维数就是w*h*2L

最后，空间和时间网络分别给出动作的分类结果，然后把结果融合，使用取平均值或者SVM的方法（实验中显示SVM准确率更高），得到最终结果。

这篇论文主要的收获是：了解到光流表示视频的方法，另外，论文的[3][15]两篇应用都值得阅读，[3]表示了时间网络的基本结构，[15]是空间网络的基础，也是训练方法的依据。

接下来一篇是对上述网络的改进，但其中牵涉到一个3D卷积的方法，这又牵扯出另外两篇论文：3D Convolutional Neural Networks for Human Action Recognition提出了一种方法，与传统的cnn的2D卷积相对应的，有一种新的3D卷积方法。传统的2D卷积方法是用一个2维的卷积层对特征图进行采样，从而得到下一层的特征图，形式如下：

 

那么3D就是额外增加了一个时间维度，即对一定数量帧的图片，用同一个3维的卷积层去采样，从而得到下一维的特征图，形式如下：

多出来的那个Ri，即是3维卷积核在时间维度上的长度。

有了这个基础，论文Learning Spatiotemporal Features with 3D Convolutional Networks则是进一步探寻了这种3D时间卷积的实用性（其实感觉他们就是做了一堆实验，然后得出哪些最好，哪些效率最高，居然也能发CVPR。。。）。文中比较有用是，用实验证明，3*3*3的时空卷积核，是最适合于这种新型神经网络结构的卷积核。

有了这些基础，就可以看最后一篇论文Convolutional Two-Stream Network Fusion for Video Action Recognition，这篇论文是在原双流论文的基础上做的一个改进。在原双流论文中，时间和空间两个神经网络的融合是在最后一步，结果取平均值或者用线性SVM划分，而在本文中，则是把两个神经网络在某一层融合，如下图：

左边是单纯在某一层融合，右边是融合之后还保留时间网络，在最后再把结果融合一次。论文的实验表明，后者的准确率要稍高。

融合的前提要求是，在这一层，空间与时间网络的特征图长宽相等，且channel数一样（channel在很多论文都有提及，暂时的理解是，channel就代表对应的卷积层中，特征图的个数，因为对上一层输入的特征图，每用一个卷积核，就会产生一个新的特征图，所以需要一个channel来统计总共产生了多少特征图）。具体融合方法很多，详见论文即可。

在把两个网络的特征图融合后，还需要进行另一次卷积操作。假设在时间t，我们得到的特征图是xt，那么对于一大段时间t=1….T，我们要把这段时间内的所有特征图（x1,…,xT）综合起来，进行一次3D时间卷积，最后得到的，就是融合后的特征图输出。注意，此时输出的，仍然是一系列在时间上的特征图。然后再输入到更高层网络，继续训练学习。