R-C3D 视频活动检测的经典算法

目录

论文信息

论文地址：
https://arxiv.org/pdf/1703.07814.pdf
代码：
http://ai.bu.edu/r-c3d/

主要贡献

1. 论文提出了活动检测模型，即R-C3D,这是一种端到端活动检测模型，结合活动建议和分类阶段，可以检测任意长度的活动。
2. 通过在建议生成（proposal generation）和网络分类部分之间共享全卷积的C3D特性，实现快速检测速度（比当前方法快5倍）；
3. 对三个不同的活动检测数据集进行了大量的评估，证实了该文提出的模型具有普遍适用性。

存在问题

连续视频中的活动检测是一个具有挑战性的问题，不仅需要识别，还需要及时准确地定位活动。当前存在的方法在处理连续视频流的活动检测时，存在以下问题：

1. 这些现成的表示可能不适合在不同视频域中进行定位活动，从而导致性能的地下。
2. 现有方法依赖外部建议或全面的滑动窗口，导致计算效率地下。
3. 滑动窗口无法轻松的预测灵活的活动边界。

基本思想

受目标检测方法FasterR-CNN的启发，论文中提出了一种区域卷积3D网络（RegionConvolutional 3D Network,R-C3D）如上图,该方法先进行3D全卷积网络对视频帧进行编码处理，之后提取活动时序片段（actionproposal segments）,最后在分类子网络（action classificationsubnet）并对结果进行分类和细化。

关键原理

该网络可以用于连续视频流中进行活动检测。其网络结构图如下，由3各部分组成，共享的3D ConvNet特征提取器，时间建议阶段（temporalproposal stage）以及活动分类和细化阶段。

为了实现高效的计算和端到端训练，建议和分类子网共享C3D特征映射。这里的一个关键创新是将Faster R-CNN中的2D RoI pooling扩展到3D RoI pooling,这样做的好处就是，该文的模型能够提取各种分辨率的可变长度建议框的特征。

论文中通过共同优化两个子网的分类和回归任务来训练网络，Softmax损失函数用于分类，平滑L1损失函数用于回归，所以本文的目标函数结合两部分损失函数为：
$$Loss=\frac{1}{N_{cls}}\sum _i{L}_{cls}(a_i,a_i^{\ast })+\lambda \frac{1}{N_{reg}}\sum _i{a}_i^{\ast }{L}_{reg}(t_i,t_i^{\ast })$$
上式中$N_{cls}$和$N_{reg}$分别代表批量大小和anchor/proposal段的数量，$\lambda$为损失权衡参数，设置为1，为预测概率，$t_i=\{\delta \widehat{c_i},\delta \widehat{l_i}\}$表示anchor或proposals的ground truth的坐标变换。其变换如下：
$$\{\begin{array}{c}\delta c_i=(c_i^{\ast }-c_i)/l_i\\ \delta l_i=log(l_i^{\ast }/l_i)\end{array}$$

实验结果

Experimentson THUMOS’14

Table1是在THUMOS’14上的活动检测结果。在表1中作者在IoU阈值0.1~0.5（表示为a）上对当前存在的方法和R-C3D进行活动检测性能的评估比较。在单向缓冲设置（one-way buffer）的R-C3D,其[email protected]为27.0%比当前最先进方法高3.7%。双向缓冲设置（two-waybuffer）的R-C3D的mAP在所有IoU阈值下都有了提高，其中[email protected]达到28.9%。

Table2展示了R-C3D与其他方法在数据集THUMOS’14上的每一类的AP(Average Precision)。表中可以看出R-C3D在大多数类别中的AP优于其他方法，在一些活动中甚至超过了20%，比如Basketball Dunk, Cliff Diving等。图(a)显示了在数据集THUMOS’14上的两个视频的定性结果。

Experimentson ActivityNet

表3是在数据集ActivityNet上的检测结果。表3.活动网上的检测结果，以[email protected]（百分比）表示。 从表中可以看出，R-C3D方法在验证集和测试集上分别优于UPC4.3%和4.5%（在[email protected]下）。当训练集和验证集都用来训练时，R-C3D方法的检测结果要比只用训练集训练时高1.6%。
图(b)展示了R-C3D在数据集ActivityNet中具有代表性的结果。

Experimentson Charades

表4是关于在数据集Charades上的活动检测结果。如表4所示，该文的模型优于文献[25]中提出的异步时域模型以及在该文章中报告的不同基准线。

按照标准做法，论文中按照[email protected]评估了模型，结果为9.3%，性能与在其他数据集中测试的性能结果不同。这个原因可能是数据集Charades固有的问题，比如室内场景光照强度低，或者数据的标签过多等。
图©展示了R-C3D在数据集Charades中具有代表性的结果。

结论

1. 引入了R-C3D模型，用来活动检测的第一个端对端时间建议分类网络；
2. 在3个大规模的数据集中对该文提出的方法进行了评估，结果展示该文的方法比当前基于3D卷积的模型更快且更准确；
3. R-C3D还可以假如其他一些特性，以进一步提高活动检测结果。

更多技术干活请关注