视频分类之 UCF-101 上的 CNN 方法详解

视频分类之 UCF-101 上的 CNN 方法详解
Code at Github: https://github.com/sujiongming/UCF-101_video_classification
视频分类包括人类行为识别和通用的多标签视频分类等研究内容。用的多标 签视频分类以 2016 年谷歌发布的 youtube-8M 数据集为代表，其中很多视频属于 多个类别，并且在类别上不限于人类行为。人类行为识别主要研究分类视频中包 含的人类行动，一般一个视频中只包含一类人类行为，UCF101 数据集就是其中 的典型代表。UCF-101(2012)包含 13,320 个视频(共 27 个小时)，101 个人 类行为类别，如运动、乐器和人物交互等。[1] 国内外研究人员在 UCF-101 数据 集上进行了深入研究，目前最好的准确率已经达到 95%以上。
UCF-101 上的 CNN 方法一般作为其他分类方法的比较基准，也是最简单和 自然的视频分类方法[2]。CNN 方法是将这些视频帧视为一张张静态图像，应用 CNN 识别每一帧，然后对预测结果进行平均处理来作为该视频的最终结果。然 而，这个方法使用的是不完整的视频信息，因此使得分类器可能容易发生混乱而 导致准确度不高。本文 CNN 方法在测试集上的最终准确度为 top1:63.0%，top5: 87.5%。
UCF-101 中 6 类行为的样本图像帧

一、 基本过程和思想
基本思想是将数据集中视频及分类标签转换为图像(视频帧)和其对应的分 类标签，再采用 CNN 网络对图像进行训练学习和测试，将视频分类问题转化为 图形分类问题。具体步骤包括:
(1) 对每个视频(训练和测试视频)以一定的 FPS 截出视频帧(jpegs)保 存为训练集和测试集，将对图像的分类性能作为所对应视频的分类性能: train set 有 1, 788, 425 帧图像，test set 有 697, 865 帧图像
(2) 选择一个预先训练好的 CNN 网络架构和初始权重，迁移学习至 UCF-101，如 inception v3 with pre-trained on ImageNet
(3) 用 train set 对 CNN 网络部分层进行重新训练，获得模型
(4) 训练完成后载入模型对 test set 内所有的视频帧进行检查验证，得出
全测试集上的 top1 准确率和 top5 准确率输出 二、 运行环境简介
(1) 服务器硬件环境:40 核至强 cpu，GeForce GTX 1080 8G 显存 X2， 128G 内存，512G SSD，3TB 机械硬盘
(2) 服务器软件环境:安装 ubuntu16.04、conda(含 python2.7)， CUDA，cudnn、tensorflow GPU，keras 等所需 python 包，SSH 服务， screen 包，vim 工具，ffmpeg 包
(3) 客户机:window7 64 位，pycharm，xshell，xftp
(4) 使用模式:客户机远程 SSH 连接服务器进行操作
三、 运行过程和结果
(5) 准备数据(UCF 提供了三种训练/测试划分方案，本实例采用 1#划分 方案)
i. 用 xftp 软件将开源项目程序和 UCF101 数据包上传至服务器谋和目 录下
ii. 将 UCF101 数据包放在开源项目文件夹的 data 目录下，运行命令 “unrar e UCF101.rar”
iii. 运行命令python 1_move_files.py
iv. 运行命令python 2_extract_files.py

(6) 训练 CNN，输出测试集性能
i. 运行 python CNN_train_UCF101.py，命令行输出训练过程信息，在
测试子集上的准确率和 top5 准确率，系统函数默认 k=5。
ii. 训练集:到 41 epoch 时训练自动停止，最好的结果在 29 epoch 时出 现，val_loss 最小为 1.19，采用该模型评价测试集。模型名称为: inception.0.29-1.19.hdf5，需要修改 CNN_evaluate_testset.py 文件加载
该名称模型。
iii. 运行 python CNN_evaluate_testset.py，命令行输出测试集结果 。
iv. 测试集:loss:1.33，accuracy:0.63，top5 accuracy:0.875
v. 运行 python CNN_validate_images.py，命令行输出随机选择的 5 张图 像的分类信息和结果。
需要注意的是，你的运行结果可能与本文有所差异，因此研究者可能需要不 断修改调整模型超参，多次运行，找出最好的一组模型参数，取最好的准确度结 果。
四、 将inception-v3网络迁移学习至UCF-101
假设有数据集 D，不同于数据集 ImageNet，D 有 1024 个输入特征，200 个
输出类别。

include_top=False 因为我们想要重新在数据集 D 上训练 top level，我们移 除了最后三层，暴露的是 mixed10 层的输出。

#因此，需要加三层
from keras.applications.inception_v3 import InceptionV3
from keras.preprocessing import image
from keras.models import Model
from keras.layers import Dense, GlobalAveragePooling2D
from keras import backend as K

create the base pre-trained model

base_model = InceptionV3(weights=‘imagenet’, include_top=False)
#模型最后 4 层的 layer.name, layer.input_shape, layer.output_shape
(‘mixed10’, [(None, 8, 8, 320), (None, 8, 8, 768), (None, 8, 8, 768), (None, 8, 8, 192)
(‘avg_pool’, (None, 8, 8, 2048), (None, 1, 1, 2048)) (‘flatten’, (None, 1, 1, 2048), (None, 2048))
(‘predictions’, (None, 2048), (None, 1000))
x = base_model.output
x = GlobalAveragePooling2D()(x)
x = Dense(1024, activation=‘relu’)(x)#加入 1024 个特征层

predictions = Dense(200, activation=‘softmax’)(x)#输出层，加入数据 集类别
model = Model(input=base_model.input, output=predictions) for layer in base_model.layers:#固定 inceptionv3 模型参数
layer.trainable = False
#编译模型
#模型训练新加的层

训练 the top 2 inception blocks，因此固定前 172 层，训练后面的层

model.compile(optimizer=‘rmsprop’,
loss=‘categorical_crossentropy’)
model.fit_generator(
train_generator,
steps_per_epoch=100, validation_data=validation_generator, validation_steps=10,
epochs=nb_epoch,
callbacks=callbacks)
for layer in model.layers[:172]: layer.trainable = False for layer in model.layers[172:]: layer.trainable = True model.compile(
optimizer=SGD(lr=0.0001, momentum=0.9), loss=‘categorical_crossentropy’,
metrics=[‘accuracy’, ‘top_k_categorical_accuracy’]) model.fit_generator(
train_generator,
steps_per_epoch=100, validation_data=validation_generator, validation_steps=10,
epochs=nb_epoch,
callbacks=callbacks)
这样就在新的数据集上通过迁移学习训练好一个新的网络了。
需要注意的是
(1) InceptionV3 模型的输入为 299X299X3，因此数据集上的图片大小得修改 为该大小格式:
train_generator = train_datagen.flow_from_directory( ‘./data/train/’,
target_size=(299, 299),
batch_size=32, classes=data.classes, class_mode=‘categorical’)
validation_generator = test_datagen.flow_from_directory( ‘./data/test/’,

target_size=(299, 299),
batch_size=32,
classes=data.classes, class_mode=‘categorical’)
image_arr = process_image(image, (299, 299, 3))
#CNN_validate_images
(2) 验证测试数据集时
= model.evaluate_generator(generator=test_generator, steps=test_data_num // batch_size) #参数 steps 为数据生成的批次，一般为数据总 数除以每批产生的数据个数
results
(3) 参数设置 filepath=’./data/checkpoints/inception.{epoch:03d}-{val_loss:.2f}.hdf5’,
verbose=1,
其他代码和使用说明可以详见github项目 UCF-101_video_classification。
五、 附录
(7) Screen 工具:最大的好处在于客户端命令行窗口关闭后，服务器端 程序可以继续运行如抽取特征、训练深度网络等耗时的任务
i. 一般发行版是不带这个软件的，需要自行安装，ubuntu 下面就直接 sudo apt- get ins tall screen 或 者 下 载 安 装 dpkg -i screen_4.3.1-2build1_amd64.deb
ii. 使用过程要点

1. screen -S name 启动一个名字为 name 的 screen
2. 输入命令，执行任务
3. ctrl + a + d(先按下 ctrl 和 a，再按下 d)保存断开当前的 screen，
   当时在当前 screen 运行的程序不会停止，回到前一个 screen
4. screen -ls 是列出所有的 screen
5. screen -r name 或者 id，就可以回到某个 screen，继续查看程序运
   行情况
   #每个 epoch 后存入 val_loss 最小的模型
   checkpointer
   = ModelCheckpoint(
   save_best_only=True)

patience: number of epochs with no improvement after which training will

be stopped. 10 个 epoch 模型性能没有改进后训练停止
= EarlyStopping(patience=10)
early_stopper

(8) 训练时常用 ubuntu 命令
i. 监控 GPU 使用情况:nvidia-smi –l
ii. 监控 CPU 使用情况:top
iii. 内存使用情况:free –h
iv. 磁盘使用情况:df –h
v. 查看分区:fdisk -l
(9) Keras 简介
按 1
i. 常用 Model 属性

1. model.layers:组成模型的各个层

2. model.inputs:模型的输入张量列表 3. model.outputs:模型的输出张量列表
   ii. 模型方法

3. model.compile(self, optimizer, loss, metrics=none,)
   a) optimizer 优化器
   b) loss 损失函数
   c) metrics:列表，包含评估模型在训练和测试时的性能指标

4. model.fit():训练模型

5. model.fit_generator(self, generator, steps_per_epoch,
   validation_data, validation_steps, )
   a) generator:生成器函数，输出应该为如(inputs，targets)或者
   (inputs，targets，sample_weights)的 tuple
   b) steps_per_epoch:整数，当生成器返回 steps_per_epoch 次数据
   时一个 epoch 结束，执行下一个 epoch
   c) epoches:数据迭代的轮数
   d) validation_data:可以有三种形式，生成验证集的生成器，一
   个如(inp uts，tar gets)或者(i np uts，tar gets，sa mple_weights)
   的 tuple
   e) validation_steps:生成多少批验证数据，一般等于验证集数据
   数除以 batch_size
   f) workers:最大进程数
   g) max_q_size:生成器队列的最大容量
   h) initial_epoch:从该参数指定的 epoch 开始训练，在继续之前
   的训练时有用

6. model.evaluate()/model.evaluate_generator():评估模型，计算 loss
   值

7. model.predict()/model.predict_generator:预测分类结果
   [1] Khurram Soomro, Zamir A R, Shah M. UCF101: A dataset of 101 human actions classes from videos in the wild[C]. CRCV-TR-12-01, 2012,
   [2] Karpathy A, Toderici G, Shetty S, et al. Large-scale Video Classification with Convolutional Neural Networks[C]. IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2014, 1725–1732.