【论文阅读】Learning Spatiotemporal Features with 3D Convolutional Networks

【论文阅读】Learning Spatiotemporal Features with 3D Convolutional Networks

这是一篇15年ICCV的论文，本篇论文提出的C3D卷积网络是3D卷积网络的里程碑，以3D卷积核为基础的3D卷积网络从此发展起来。
论文地址：下载地址
基于pytorch的c3d模型代码：下载地址

简介

文章认为一个有效的视频描述子应该具备以下特点：

1. 良好的泛化性（generic）
2. 压缩性好（compact）
3. 计算效率高（efficient）
4. 计算方法简单（simple）

本文首先通过实验说明了3D卷积网络在视频的时空特征提取方面是有效的，然后探索了最优的3D卷积核结构为3x3x3，提出了C3D卷积网络结构，最后在标准数据集上与其他方法做了比较。

正文

3D卷积与2D卷积的区别：

首先论文介绍了3D卷积与2D卷积的区别，如图所示：

从上图中可以看到，图中省略了特征图的channel，所以2D卷积的结果是一张特征图，只包含高和宽，而3D卷积的结果是一个立方体，除了高和宽之外，还包含有时间维度。但是上图没有反映两种卷积核内部的区别，我自己画了下图来更清晰地表达这两种卷积核的内部结构的区别。
从上图中可以看到，对于2D卷积核，其大小为：$C\times h\times w$，其中 $C$ 表示卷积核的通道数，$h$ 和 $w$ 表示卷积核的高和宽。而对于3D卷积核，其大小为：$t\times C\times h\times w$，其中 $t$ 为3D卷积核的时间长度。所以3D卷积核与2D卷积核相比，其多了时间维度的卷积。

最优的3D卷积核尺寸：

然后文章通过实验探索了最优的3D卷积核的尺寸，因为在[1]中表明，当时 $3\times 3$ 尺寸的2D卷积核取得了非常好的效果，所以文章就将3D卷积核的高和宽定位 $3\times 3$，通过实验探索卷积核最优的时间深度。同时作者设计了另一个实验：为了设计能更好地组合时间信息的3D卷积网络，作者改变3D卷积网络中不同层的卷积核的时间深度，实验结果如下：

上图是在UCF101上的实验结果，首先看左图，为探索3D卷积核时间深度的实验结果。可以看到作者设置了4种固定尺寸的3D卷积核，分别为$1\times 3\times 3$，$3\times 3\times 3$，$5\times 3\times 3$，$7\times 3\times 3$ ，实验表明 $3\times 3\times 3$ 尺寸的卷积核取得了最优的结果。然后看右图，作者设置3种对比的网络结构，不同层的3D卷积核的时间深度分别为时间深度不变： $3-3-3-3-3$ ，时间深度递增：$3-3-5-5-7$，时间深度递减：$7-5-5-3-3$。实验结果表明当卷积网络中所有的3D卷积核的时间深度一致，尺寸都为$3\times 3\times 3$时，得到的效果最好。

C3D的网络结构

受到当时GPU显存的限制，作者设计了C3D网络结构，如下图所示：

该网络包含8个卷积层，5个池化层，2个全连接层和1个softmax输出层。所有层的3D卷积核的尺寸为 $3\times 3\times 3$，步长为 $1\times 1\times 1$。第一层池化层的尺寸为 $1\times 2\times 2$，步长为 $1\times 2\times 2$，其余池化层的尺寸为 $2\times 2\times 2$，步长为 $2\times 2\times 2$。文章认为不那么过早地池化时间信息，可以在早期阶段保留更多的时间信息。网络的输入的视频长度为16帧，输入的视频帧尺寸为 $112\times 112$。

训练细节

在sports-1M数据集上训练时，首先从每一个视频中随机抽取5个2秒长的视频段，然后视频段的每一帧的尺寸被归一化为 $128\times 171$，然后该视频段被随机地裁剪为 $16\times 112\times 112$ 作为网络的输入。使用了0.5几率随机水平翻转的数据增强的方法，使用随机梯度下降法来优化，batch size设置为30，初始学习率为0.003，每经过150K次迭代学习率除以2，在第1.9M次迭代（大约13个epoch）的时候停止。

探索性的实验分析

3D卷积网络的反卷积可视化

文章首先根据[2]中提出的反卷积方法，将C3D第5层卷积层得到的feature map 反卷积可视化,如下图所示。

从上图可以看到，文章认为在视频的前几帧，C3D主要关注的是视频帧中的显著性区域，在之后的几帧中会跟踪这些显著变化的区域。其实[3]中也对3D卷积网络的feature map进行了反卷积可视化，可以两个结果对比着看。
个人目前的观点：目前我感觉3D卷积网络对视频中的运动变化区域敏感，但是容易受到复杂影响的干扰，所以需要大量的训练数据使其对object的变化响应。自己的理解也可能有误，如果你有自己的想法和观点，欢迎一起讨论。

C3D描述子

所谓的C3D描述子，就是C3D网络第一个全连接层输出的特征经过L2归一化后的结果，文章对该描述子的做了实验，表明该描述子有良好的压缩性和泛化性。

压缩性

作者使用PCA降维的方法对C3D描述子进行了降维，并与Imagenet特征[4]和iDT特征[5]做了比较，实验结果如下图所示。

可以发现C3D描述子还是由很好的压缩性的，这对大规模快速视频检索很有帮助。

泛化性

这里没完全看明白，我的理解是从UCF101数据集中随机抽取100K个视频段，然后提取这些视频段的Imagenet特征和C3D特征，对这些特征使用t-SNE降维可视化的方法，如下图所示。

从上图可以看出，C3D特征相同类的特征更加聚集，更容易区分，所以其泛化性更好。

其他

作者技术水平有限，可能会出现一些疏漏，如果您有任何疑问，请联系我。

[1] Simonyan, Karen, and Andrew Zisserman. “Very deep convolutional networks for large-scale image recognition.” arXiv preprint arXiv:1409.1556 (2014).
[2] Zeiler, Matthew D., and Rob Fergus. “Visualizing and understanding convolutional networks.” In European conference on computer vision, pp. 818-833. Springer, Cham, 2014.
[3] Varol, Gül, Ivan Laptev, and Cordelia Schmid. “Long-term temporal convolutions for action recognition.” IEEE transactions on pattern analysis and machine intelligence 40, no. 6 (2018): 1510-1517.
[4]Donahue, Jeff, Y. Jia, O. Vinyals, J. Hoffman, N. Zhang, E. Tzeng, and T. Darrell. “A deep convolutional activation feature for generic visual recognition. arXiv preprint.” arXiv preprint arXiv:1310.1531 (2013).
[5]Wang, Heng, and Cordelia Schmid. “Action recognition with improved trajectories.” In Proceedings of the IEEE international conference on computer vision, pp. 3551-3558. 2013.