[飞桨PaddlePaddle论文复现课程][视频分类]论文解读之Representation Flow for Action Recognition

一、前言

论文复现课程链接：https://aistudio.baidu.com/aistudio/education/group/info/1340

这篇博客主要是对飞桨PaddlePaddle论文复现课程中 视频分类 论文的解析.

课程中有关视频分类的论文主要有4篇, 本博客对其中的第4篇进行解读:

1.ECO: Efficient Convolutional Network for Online Video Understanding

网址：https://github.com/mzolfaghari/ECO-pytorch

2.Temporal Pyramid Network for Action Recognition

网址：https://github.com/decisionforce/TPN

3.Learning Spatio-Temporal Features with 3D Residual Networks For Action Recognition

网址：https://github.com/kenshohara/3D-ResNets-PyTorch

4.Representation Flow for Action Recognition

网址：https://github.com/piergiaj/representation-flow-cvpr19

二、论文解读

Representation Flow for Action Recognition这篇文章是CVPR2019上美国印第安纳大学发的一篇论文。

2.1 创新点

这篇论文的主要创新点在于，之前有关光流的深度学习，是把光流当成一张特征图进行学习；而本文发明了Representation Flow，是一个CNN中完全可微的层，能够端到端地进行动作识别。论文另外提出了Representation Flow层是可以堆叠的。实验证明此方法比传统的光流算法在速度和性能上都有很大提升（在仅需RGB输入的视频分类模型里面达到了SOTA，而需要光流输入的方法，如双流法，普遍慢10倍）。

2.2 方案解析

2.2.1 Representation Flow Layer

这篇论文参考了TV-L1的论文https://www.ipol.im/pub/art/2013/26/article.pdf，

关于TV-L1的解读可参考一个写的不错的知乎：https://zhuanlan.zhihu.com/p/42537928

TV-L1（Total Variation L1-norm）中的方案如下（这里的推导非常复杂，建议只关注其在flow layer中的实现）：

本论文中设计的flow layer， 把TV-L1算法中的迭代变成了一系列的tensor操作：

其中主要有2点改动：1）g θ, λ, τ, divergence weights等参数变成了可以学习的；2）为了部分替代多尺度、仿射变换等耗时操作的效果，提出了在不同尺度的cnn层上采用flow layer的方法。

整体的方案如下（中间for循环里面即TV-L1）：

2.2.2 用于动作识别模型

那么flow layer怎么用于视频分类的任务呢？

模型输入是T×C×W×H，C是RGB层，WH是长款，T是帧数。每帧都有输出，通过时域平均后，产生每个类别的概率。

模型的目标函数如下（即视频v和类别c的loss定义为交叉熵）：

视频表征光流的可视化如下（ResNet34第3个残差层后）。动态图见作者项目主页：https://piergiaj.github.io/rep-flow-site/

为了进一步提高准确率，文章还提出了Flow of Flow的结构：

相比于单层的Flow，网络深处的Flow可以提升分类的准确率。不过其语义可解释性并没有那么强，但肉眼也能看出来一些运动模式。动态图见项目主页https://piergiaj.github.io/rep-flow-site/

2.3 实验解析

Kinetics数据集简介。tiny-Kinetics比较小。

实验一可以看到，使用ResNet34的情况下，在3个CNNblock后计算flow，最终的效果比较好。

实验二可以看出，，计算所有参数时效果最好。

为了验证方法的可靠性，中间消融实验还有很多，建议阅读原始论文。

最终的实验结果对比如下：

可以看到，FcF（Flow-Conv-Flow）+ Non-local的方式，在Kinetics和HMDB数据集上都取得了不错的效果.作者还非常良心地测了耗时（很多文章都只关注性能），耗时也仅是双流法的十分之一左右，约为RGB输入的1.5~2倍。

2.4 评价

这篇文章是比较实用的，从TV-L1光流算法入手，设计了可微分的flow层，融入了CNN网络，实际使用时添加flow层即可。看来把传统图像算法设计成端到端的网络，这一思想还是值得深挖。