论文笔记之Two-Stream Convolutional Networks for Action Recognition in Videos

双流网络的开篇之作，使用图像和光流两个分支训练，最终综合两个分支得到最终结果。
被NIPS 2014接收
论文地址：https://arxiv.org/abs/1406.2199

1. 摘要

本文研究了用于训练视频中行为识别的深度卷积网络架构。主要的挑战在于捕捉静态帧中的外观和连续帧间的运动的互补信息。本文基于两个分开的识别流（时间和空间），最后通过融合将它们结合在一起。空间流从静态的视频帧中执行行为识别，同时时间流从密集光流形式的运动中训练以识别行为。本文提出的架构与two-streams假设有关，根据该假设，人类视觉皮质包含两条路径：腹侧流（识别目标）和背侧流（识别运动）。

本文主要贡献：

• 首先，本文提出了一个two-stream卷积网络架构，这个架构由时间和空间网络构成。
• 然后验证了，尽管是有限的训练数据集，在多帧密集光流上训练的卷积网络仍然能够表现出很好的性能。
• 最后展示出，应用于两个不同的动作分类数据集的多任务学习，可以同时用来增加训练数据集的数量和提高性能。

2.本文方法

2.1 网络结构

视频很自然的被拆解为空间和时间部分。在空间部分，以单个帧的外观形式，传递了视频描绘的场景和目标信息。在时间部分，以多帧的运动形式，传递了观察者（摄像机）和目标者的运动。因此设计的网络架构如图所示：

网络分为两个流。每一个流都由一个深度卷积网络来实现，最后它们通过softmax进行融合。这里考虑了两种融合方法：一个是求平均； 另一个则是在多分类线性SVM上训练，使用L2正则化的softmax计算得分。

2.2 空间流卷积网络

空间流卷积网络在单个视频帧上执行，能有效地在静止图像中进行动作识别。其自身静态外表是一个很有用的线索，因为一些动作很明显地与特定的目标有联系。

另外，由于空间流卷积网络本质上是一个图像分类架构，所以可以依赖于一些大型图像识别方法，在大型图像分类数据集上预训练网络。

2.3 光流卷积网络

模型的输入是几个相邻帧之间叠加的光流位移场。这样的输入准确地描述了视频帧之间的运动信息，这使得识别更加容易，并且网络不需要估计隐式的运动。

本文考虑了几个基于光流输入的变体，如下图所示：

optical flow可以看作是在连续的帧t和帧t+1之间的一组displacement vector fields（每个vector用dt表示）组成的，其中dt是一个向量，表示第t帧的displacement vector，是通过第t和第t+1帧图像得到的。dt(u,v)表示在帧t的位置(u,v)的位移矢量，它表示移动到下一个帧t+1相对应的点。dt包含水平部分dtx和竖直部分dty，可以看图中的（d）和（e）。因此如果一个video有L帧，那么一共可以得到2L个channel的optical flow，然后才能作为temporal stream convnet网络的输入。

图中的（a）和（b）表示连续的两帧图像，（c）表示一个optical flow，（d）和（e）分别表示一个displacement vector field的水平和竖直两部分。

2.3.1 光流卷积网络的输入

假设一个video的宽和高分别是w和h，那么Figure1中temporal stream convnet的输入维度是这样的：。其中τ表示任意的一帧。
对于怎么得到，文章主要介绍了两种计算方式，分别命名为optical flow stacking和trajectory stacking，这二者都可以作为前面temporal stream convnet网络的输入。

（1）optical flow stacking
计算公式：

分别是水平和竖直方向的的计算公式，其中（u，v）表示任意一个点的坐标。因此 Iτ(u,v,c) 存的就是(u,v)这个位置的displacement vector。如图3左图所示。

（2）trajectory stacking
计算公式：

其中Pk表示沿着这条轨迹的第k个点。因此 Iτ(u,v,c) 存的就是着轨迹（如图3右图所示）在位置pk抽样的vectors。

2.4 多任务学习

spatial stream convnet因为输入是静态的图像，因此其预训练模型容易得到（一般采用在ImageNet数据集上的预训练模型），但是temporal stream convnet的预训练模型就需要在视频数据集上训练得到，但是目前能用的视频数据集规模还比较小（主要指的是UCF-101和HMDB-51这两个数据集，训练集数量分别是9.5K和3.7K个video）。因此作者采用multi-task的方式来解决。

首先原来的网络（temporal stream convnet）在全连接层后只有一个softmax层，现在要变成两个softmax层，一个用来计算HDMB-51数据集的分类输出，另一个用来计算UCF-101数据集的分类输出，这就是两个task。这两条支路有各自的loss，最后回传loss的时候采用的是两条支路loss的和。

3. 实验

• optical flow stacking的效果要优于trajectory stacking
• temporal stream convnet的效果要优于spatial stream convnet，这说明对于action recognition而言，motion information更为重要。
• 和其他的方法对比