行为识别 - Temporal Pyramid Network for Action Recognition

0. 前言

• 相关资料：
  • arxiv
  • github
  • 论文解读
• 论文基本信息
  • 领域：行为识别
  • 作者单位：港中文&商汤
  • 发表时间：CVPR 2020
• 一句话介绍：在普通行为识别网络中添加一个类似于FPN的neck，连接backbone和后续分类head，提高特征提取效率。

1. 要解决什么问题

• 本文主要讨论视觉速率“visual tempo”（也可以翻译为节奏）的概念。
• 什么是 visual tempo：做动作的节奏/速率。如下图
  • intra class：在同一类型，不同样本中速率不同。
  • inter class：不同类型类型样本的速率不同。
  • 不同行为，tempo的变化程度不同：所有的剪羊毛样本都差不多速率，不同的“后空翻”速率差别很大。
  • 下图中， 纵坐标就是intra class的大小，不同柱形就是不同类别样本，柱形长短不同就是inter class
  • 
• 如何理解：visual tempo可以理解为行为在时间尺度上特征，或者说行为的动态特征。
• 以前用于提取 visual tempo 的方法主要是通过不同帧率获取原始帧，构建 input-level frame pyramid。
  • 基本流程就如SlowFast，不同速率的样本通过不同的backbone处理，然后做特征融合，最后用于行为识别。
  • 这种方法太耗时，效率不够高。
  • 由于这种方法需要预先设置帧率，所以有一些限制。
  • 希望能有 feature-level的特征提取方法（感觉有点类似于检测里的FPN），既能提取visual tempo，又能节约性能。
• 整体网络结构借鉴了ResNet50-I3D
  • 

2. 用了什么方法

• 提出了一个即插即用的模块 Temporal Pyramid Network
  • 灵感来源：同一模型不同深度的网络都已经提取了不同tempo的特征。详细点说，由于视频数据的特征图一般尺寸为 BATCH_SIZE, T, C, H, W，那么不同的T就代表了不同的帧率。
• 下图中的各个模块简单介绍
  • Collection of Hierarchical Features
    • 方法一：没有FPN，获取一个特征图，以特征图中的T通道作为基础，按照不同“帧率”选择BATCH_SIZE, C, H, W特征图。与下图展示不同。
    • 方法二：有FPN，根据不同层特征图拥有不同的通道T，作为不同帧率作为后续输入。
  • Spatial Semantic Modulation：大概意思是，从backbone获取的不同深度的空间语义特征不一致（猜测就是C, T, H, W尺寸不一致，具体要看源码），通过卷积操作设置为相同尺寸。如下图中，这一层的结果的尺寸完全相同。
  • Temporal Rate Modulation：就是获取不同帧率的特征图。这一步应该就是所谓的。
  • Information Flow：特征融合
  • 
• 特征融合的方式
  • 
  • 

3. 效果如何

• 在Kinetics-400/Something-Something-V1 & V2/Epic-Kitchen三个数据集上能够稳步提升性能。
  • 
• 对于tempo变化较大的行为类别，性能提高效果较好。

4. 还存在什么问题

• 一看到Pyramid就知道，这类模型肯定不能用于算力不行的设备里了……其实mmaction2里有，到时候可以测试一下性能。