李沐论文精度系列之八：视频理解论文串讲

传送门：

• 李沐论文精读系列一： ResNet、Transformer、GAN、BERT
• 李沐论文精读系列二：Vision Transformer、MAE、Swin-Transformer
• 李沐论文精读系列三：MoCo、对比学习综述（MoCov1/v2/v3、SimCLR v1/v2、DINO等）
• 李沐论文精读系列四：CLIP和改进工作串讲（LSeg、GroupViT、VLiD、 GLIPv1、 GLIPv2、CLIPasso）
• 李沐论文精读系列五：DALL·E2（生成模型串讲，从GANs、VE/VAE/VQ-VAE/DALL·E到扩散模型DDPM/ADM）
• 李沐论文精读系列六：端到端目标检测DETR、最简多模态ViLT
• 李沐论文精度系列之七：Two-Stream双流网络、I3D
  

一 、前言

• 参考B站视频：李沐《视频理解论文串讲（上）》

1. 为什么要做视频？

• 视频包含更多信息，符合多模态发展趋势：视频包含了时序信息、声音&图像等多模态信息，而且自然界也都是连续信息而非静止的图像。
• 视频天生能提供一个很好的数据增强，因为同一个物体在视频中会经历各种形变、光照变换、遮挡等等，非常丰富而又自然，远比生硬的去做数据增强好得多
• 视频处理是未来突破的方向：目前计算机视觉领域，很多研究热衷于在ImageNet等几个榜单刷分，往往训练了很大的模型，使用很多的策略，也只能提高一点点，类似深度学习出现前CV领域中机器学习的现状，已经达到了一个瓶颈期。要想突破必须有新的网络结构，指标之一就是要能很好地处理视频数据。

总之，如何更好的利用视频数据，如何更好的做视频理解，可能是通往更强人工智能的必经之路。

2. 视频领域发展历程

  《A Comprehensive Study of Deep Video Action Recognition》是2020年视频领域的一篇综述论文，总结了 Video Transformer之前的约200篇用深度学习做视频理解的论文。本文基于此，讲解视频理解领域的发展。下图时间线概括了从早期卷积神经网络做视频理解的DeepVideo，到双流网络及其变体、3D网络及其变体的一系列过程。最后会讨论一下基于 Video Transformer的工作。

本文分四个部分来讲解：

1. DeepVideo（早期视频领域的CNN工作）
2. Two-Stream及其变体
3. 3D CNN及其变体
4. Video Transformer：将image transformer延伸到video transformer。其中很多方法都是从2或者3里面来的，尤其是借鉴了很多3D CNN里面的技巧。

二、 DeepVideo（IEEE 2014）

论文《Large-Scale Video Classification with Convolutional Neural Networks》

2.1 模型结构

  DeepVideo是深度学习时代早期，使用CNN处理视频的代表工作，其主要研究的，就是如何将CNN从图片识别领域应用到视频识别领域。
  视频和图片的唯一区别，就是多了一个时间轴，也就有很多的视频帧。下面是作者用CNN处理视频帧的的几种尝试：

红色、绿色和蓝色框表示卷积层、归一化层和池化层

• Single Frame：单帧方式的baseline。从视频帧中任取一帧，经过CNN层提取特征，再经过两个FC层得到图片分类结果。所以这种方式完全没有时序信息、视频信息在里面
• Late Fusion：多个单帧特征融合：
  • 之所以叫Late，就是在网络输出层面做的融合。
  • 具体来说，就是任选一些帧，单独通过CNN得到图片特征（这些CNN权值共享）；再将这些输出特征融合之后，过一个FC层得到分类结果。
  • 这种单帧输入方式还是比较像图片分类，但毕竟融合了多帧的结果，还是包含一些时序信息的
• Early Fusion：直接在输入层面做融合。
  • 将五张视频帧在RGB层面融合，融合后channel从3增加到15（CNN第一层的卷积核通道数也得改成15），后面结构不变
  • 直接在输入层面就融合时序信息
• Slow Fusion：网络中间的特征层面做融合。
  • 输入10个连续的视频帧，每4帧通过一个CNN抽特征，每个CNN都是权值共享，这样得到4个特征片段。再通过两个CNN网络，两两融合成为2个特征，直到最后融合成一个视频特征，加上两个FC层做分类。
  • 网络从头到尾都是对整个视频在学习，这种方式最麻烦，效果也最好

2.2 实验结果

  只是作者没想到的是，这四种方式的最终结果差别都不大，而且即使在Sports-1M（100万视频）这么大的数据集上预训练，最终UCF-101（13000+视频）这个小数据集上微调，结果也只有65%，效果还远远比不上之前的手工特征。

  作者又试了一下，使用一些图片处理上的trick，比如输入多分辨率的图片，看能否在视频分类上也得到更好的结果。如下图所示，使用了两个网络（权值共享），输入分别是原图和center crop之后的图片，作者希望借此学习全局信息和中心重点区域信息。加入多分辨率操作，精度大概提升了一个点。

  从下图可以看到，Early Fusion和Late Fusion效果还不如Single Frame的baseline，Slow Fusion经过一顿操作之后，才提高了一点点。

2.3 总结

  DeepVideo把使用CNN直接处理视频的各种方式都试了一遍，为后续工作做了一个很好的铺垫。除此之外，作者还提出了一个特别大的视频数据集——Sports-1M数据集（有一百万视频，但是基本都是运动类，应用场景有些受限）。

三、双流网络及其变体

3.1 Two-Stream（NeurIPS 2014）

论文《Two-Stream Convolutional Networks for Action Recognition in Videos》、视频《双流网络论文逐段精读》

3.1.1 简介

这部分详细内容，请参考我上一篇帖子《李沐论文精度系列之七：Two-Stream双流网络、I3D》

  视频相比图片的区别，就是多了一个时序信息（运动信息），如何处理好时序信息，是视频理解的关键。当一个网络无法很好地处理时序信息的时候，可以考虑再加一个网络专门处理时序信息就行。

  光流包含了非常准确和强大的物体运动信息在里面，双流网络通过额外引入一个时间流网络，巧妙的利用光流提供的物体运动信息，而不用神经网络自己去隐式地学习运动特征，大大提高了模型的性能（UCF-101精度达到88%，基本和手工特征IDT的精度87.9%持平，远高于 DeepVideo 65.4%的精度）。

双流网络结构

模型效果对比

3.1.2 改进工作

从上面双流网络的结构图，可以看到会有几个明显可以改进的地方：

• Slow Fusion：理论上来说，在中间的特征层面做融合，肯定比最后在网络输出上简单的进行加权平均的效果要更好
• 优化backbone：双流网络使用的backbone是Alexnet，所以自然想到可以使用更优的backbone
• 融入LSTM：考虑在网络抽取特征后加入LSTM模型，进一步处理时序信息，得到更强的视频特征
• 长时间视频理解：双流网络输入的光流只有10帧，算下来不到0.5秒，非常的短。一般一个动作或者事件可能会更长。如果要做长时间视频理解，还需要改进

下面针对每个方向，分别介绍一个代表性工作。

3.2 Two stream +LSTM（CVPR 2015 ）

• 论文：《Beyond Short Snippets: Deep Networks for Video Classification》。题目中的Short Snippets就是指两三秒甚至不到的这种特别短的视频段。
• 《【论文阅读】Beyond Short Snippets: Deep Networks for Video Classification》

3.2.1 模型结构

  原始的双流网络，空间流输入是一帧或几帧视频帧，时间流输入是10帧光流，只能处理很短的视频。如果是长视频，有特别多的视频帧，首先想到的还是用CNN去抽取视频特征，但关键是抽取的特征如何去做pooling。本文探索了6种pooling方法，最后结果差不多，conv pooling稍微好一点。另外还作者还试了使用LSTM做特征融合，最后提升有限。作者做的pooling和LSTM操作，如下图所示：

  具体的LSTM操作如下图所示，C表示最后一层CNN输出的特征，每个视频帧都对应了一个特征。这些特征是有时序的，所以将其用5层的LSTM处理抽取的视频特征，最后的橘黄色这一层代表直接做softmax分类了。
  简单说，就是从双流网络抽取特征之后直接做softmax分类，改为抽取特征后进行LSTM融合，再做softmax分类。

3.2.2实验结果

1. conv pooling效果最好
   

• Slow Fusion就是DeepVideo的结果，Single Frame就是DeepVideo论文中的baseline。
• conv pooling和LSTM：都能处理非常多的视频帧，模型效果相比光流网络，稍有提升。

  也就是说，在UCF-101这种只有六七秒的短视频上，LSTM带来的提升非常有限。这也是可以理解的，因为LSTM操作，应该是一个更high level，有更高语义信息的一种操作，其输入必须有一定的变化，才能起到应有的作用，才能学到时序上的改变。如果视频太短，可能其语义信息基本没有改变，对LSTM来说，各个时序上的输入基本都是一样的，所以它也学不到什么东西。如果是在长视频或者变化比较剧烈的视频上，LSTM可能更有用武之地。

3.3 Two-Stream+Early Fusion（CVPR 2016 ）

• 论文《Convolutional Two-Stream Network Fusion for Video Action Recognition》
• 参考论文解读贴

  双流网络叫Two-Stream Convolutional Network，这篇论文题目是将其颠倒了一下，但关键词是Fusion。本文非常细致的讨论了如何去做双流网络特征的合并，主要是三个方向：

• spatial fusion（空间融合）：下图展示了如何在空间上做Early Fusion，即如何将两个特征图上相同位置的点做合并
• temporal fusion（时间融合）
• 特征融合位置

  作者通过解决这三个问题，得到了一个非常好的Early Fusion网络结构，比之前直接做Late Fusion的双流网络，效果好不少。

3.3.1 spatial fusion

  在有了时间流和空间流两个网络之后，如何保证这两个网络的特征图在同样的位置上的channel responses是能联系起来的（To be clear, our intention here is to fuse the two networks (at a particular convolutional layer) such that channel responses at the same pixel position are put in correspondence.），也就是在特征图的层面去做融合。作者对此作了几种尝试：（融合层有两个输入$x_t^a+x_t^b$，输出为$y$）

• Sum Fusion ：$y^{sum}=x_t^a+x_t^b$，两个特征图直接相加
• Max Fusion ： $y^{max}=max(x_t^a,x_t^b)$，即特征图a和b在同一位置只取最大值
• Concatenation Fusion ：$y^{cat}=cat(x_t^a,x_t^b)$，将两个特征图在通道维度做合并
• Conv Fusion ： $y^{conv}=y^{cat}\ast f+b$，将两个特征图堆叠之后再做一个卷积操作
• Biliner Fusion ： $y^{bil}={\sum }_{j=1}^H{\sum }_{i=1}^M{x}_{i,j}^a\otimes x_{i,j}^b$。在两个特征图上做一个外积，然后再做一次加权平均。

cat用来拼接矩阵， * 代表卷积操作，⊗ 代表矩阵外积。

不同融合方式的效果如下，表现最好的是Conv fusion：

3.3.2 特征融合位置

关于在哪一层做融合效果最好，作者作了大量的消融实验，效果最好的两种方式如下：

1. 两个网络在Conv4之后，就做一次融合，然后就变为一个卷积神经网络了
2. 在conv5和fc8两个层都分别做一次融合
   • 将空间流的conv5特征拿过来和时间流的conv5特征合并，最后时间流得到一个 spatial temporal feature（时空特征）。同时空间流继续做完剩下层，得到一个完整的空间流特征。在最后的fc8层，再做一次合并。
   • 相当于还没有学到特别high level的语义信息时，先做一次融合，用空间流特征取帮助时间流去学习。然后在fc8层high level级别上再做一次合并。

下面是试验结果，晚融合（relu5）和多融合（relu5+fc8）效果最好，但是多融合训练参数多一倍。

3.3.3 temporal fusion

  temporal fusion就是抽取多个视频帧的特征之后，如何在时间轴位置将这些特征融合。作者3尝试了两种方式：3D Pooling和3D Conv+3D Pooling，后一种方式性能最好。

• a：2D Pooling完全忽略了时序信息
• b：3D Pooling：先在时间维度堆叠各个特征图，再做Pooling
• c：3D Pooling之前先做一次3D卷积

3.3.4 模型结构和最终效果

• 网络输入是[t-τ,t+τ]时刻的RGB图像输入和对应的光流输入，蓝色代表空间流网络，绿色代表时间流网络。
• 时空融合：先分别从两个网络抽取特征，然后在Conv5这一层先做一次Early Fusion（3D Conv+3D Pooling），融合后用FC层得到最后的融合特征，这个特征就包含了时空信息
• 时间流融合：因为时间流特征非常重要，所以将时间流特征单独拿出来也做一次3D pooling，再接FC层，并专门设计一个时间上的损失函数Temporal Loss。

也就是这个模型有两个分支：时空学习和时序学习，对应的也有两个损失函数Spatiotemporal Loss 和Temporal Loss。推理时，两个分支的输出做一次加权平均。最后结果如下：

• 标蓝色的两个是作者用VGG复现了双流网络，因为使用了更深的backbone，在UCF101上的效果更好，但是在HMDB51上的精度还略有下降。这是因为当训练集特别小（HMDB51只有约7000个视频）时，用一个很深的网络，就特别容易过拟合。
• 使用本文作者提出的fusion方法之后，UCF101精度略有提升，HMDB51精度大幅提升。early fusion可能算是一种变相的对网络的约束，使网络在早期的学习中，就可以融合时空信息，一定程度上弥补了数据不足的问题，所以使early fusion效果比late fusion效果要好很多。

3.3.5 结论

  本文做了大量消融实验，从三个方面彻底研究了一下网络结构，给后续工作提供了很大的启示。另外作者尝试了3D Conv和3D Pooling，增加了后续研究者对3D CNN的信心，变相推动了3D CNN 的发展，所以不到一年，I3D就出来了，从此开始了3D CNN 霸占视频理解领域的局面。

3.4 TSN（长视频理解，ECCV 2016）

• 论文《Temporal Segment Networks: Towards Good Practices for Deep Action Recognition》
• 本文一作王老师另外还有ARTNet，TEA，V4D以及去年ICCV的TAM、MGSamper等很多视频领域的工作，大家对视频领域感兴趣的，可以关注王老师的工作组。

3.4.1 网络结构

  之前的双流网络，输入是单帧或几帧视频帧和10帧光流图像（大概只有半秒），只能处理很短的视频段，那该如何去处理一个更长的视频呢？

如上图所示，TSN的想法非常简单，就是把长视频分成K段来进行处理：

• 将长视频分成K段，在每一段里随机抽取一帧当做RGB图像输入，后续连续的10帧计算光流图像作为光流输入。
• 分别通过K个双流网络得到2K组logits（一组有时空两个logits，这些双流网络共享参数）。
• 将K个空间流网络输出特征做一次融合（Segmental Consensus，达成共识），时间流输出特征也如此操作。融合方式有很多种，取平均、
• 最后将两个融合特征做一次late fusion（加权平均）得到最终结果。

  如果一个视频也不是太长，里面就包括一个事件或者一个动作的话，抽出来的K帧即使表面看起来不一样，但其高层语义信息上，应该还是描述的同一个东西，所以可以分成K段之后再融合来进行处理。
  本文的想法确实非常的简单，但不代表没有新意。一个简单而又有效的方法，才是最有新意的。

3.4.2 训练技巧及效果

在论文3.2 节中的Network Training部分，作者尝试了很多的训练技巧。

1. Cross Modality Pre-training：作者提出了使用ImageNet预训练模型做光流网络预训练初始化的技巧
   • 在这之前并没有好的光流预训练模型，只是从头训练，光流效果并不够好，因为很多视频数据集都很小
   • ImageNet预训练模型的网络输入channel=3，而光流网络输入channel=20，无法直接使用。作者先将ImageNet预训练模型第一层网络输入的RGB三个channel的权重做一个平均，得到一个channel的权重（ average the weights across the RGB channels ），然后将其复制20次就行。
   • 这种初始化技巧使得光流网络也能使用预训练模型，最终模型精度提高了5个点。这种技巧后来被广泛使用，I3D中使用预训练的2D模型来初始化3D模型，也是这么做的。
2. Regularization Techniques：
   • BN层用得好，模型会工作的很好，而一旦用的不好，模型也会出各种问题。在视频领域初期，很多视频数据集都很小，使用BN虽然可以加速训练，但也带来了严重的过拟合问题（数据集小，一微调就容易过拟合）。作者由此提出了 partial BN。
   • partial BN：简单说就是只微调第一层的BN，其它的BN 层全部冻住（ freeze the mean and variance parameters of all Batch Normalization layers except the first one）。
       这是因为一方面存在过拟合，所以考虑冻结BN层；但是全部冻住，迁移学习的效果就不好了。Imagenet数据集和视频分类数据集还是差的很远的，之前BN层估计出来的统计量不一定适用于视频分类，所以第一层BN必须进行学习，但后面再动就有过拟合的风险了。
   • partial BN这种技巧在后续很多迁移学习中也经常用到。
3. Data Augmentation：在传统的 two-stream 中，采用随机裁剪和水平翻转方法增加训练样本。作者采用两个新方法：角裁剪（corner cropping）和尺度抖动（scale-jittering）。
   • corner cropping：作者发现random crop经常是crop图片中间部分，很难crop到边角。作者强制使用角裁剪，仅从图片的边角或中心进行crop。
   • scale jittering：通过改变输入图像的长宽比，增加输入图片的多样性。具体来说，先将视频帧都resize到[256,340]，然后进行各种裁剪，裁剪的图片长和宽都是从列表 [256,224,192,168]里随机选取（比如168×256,224×224等等）。这样丰富了图片尺寸，减少过拟合。

  下面是在UCF101数据集上，这些训练技巧的提点效果。可以看出，从零开始训练网络比双流网络的baseline方法要差很多，证明需要重新设计训练策略来降低过拟合的风险，特别是针对空间网络。对时空网络都进行预训练，再加上partial BN，效果最好。

这些技巧都非常有用，所以作者将Good Practices作为论文题目之一。

3.4.3 实验部分

作者还做了一些其它试验

1. 比较了BN-Inception、GoogLeNet和VGGNet-16作为backbone，最终BN-Inception效果最好；
2. 对比了三种Segmental Consensus方式，取平均效果最好
   
3. 模型性能对比
   

• 第一块是传统手工特征
• 第二块是使用深度学习做视频理解
  • C3D是早期使用3D CNN做视频理解，即使使用三个网络，结果也比不上最好的手工特征。在下一章 3D CNN部分会简单介绍这个模型
  • Two stream +LSTM：就是3.2 节中的方法（Beyond Short Snippets），提升0.6%。
  • TDD+FV：就是王利明老师改进光流堆叠方式的论文（直接叠加光流改为按轨迹叠加光流，在此文1.3.2中有讲过）
  • TSN (3 modalities) 就是还使用了另外一种光流形式作为输入，本文就不做介绍了。

3.4.4 总结

  本文不仅提出了一种特别简单效果又很好的方式处理长视频，而且还确定了很多很有效的技巧（ Good Practices），其贡献不亚于双流网络或者I3D。

1. 处理更长的原始视频
     这种将视频分K段再做Segmental Consensus的方法，除了裁剪好的Vedio clip（视频段）外，还可以应用于完全没有裁剪过的长视频。如果长时间包括更多的事件，分成的K段包含不同的事件和动作，那么后续融合时不使用平均或者max这些方式融合，改为LSTM就行了。2017年的UntrimmedNet就是处理完全没有裁剪过的长视频进行视频分类的，工作的也很好。

2. Segmental Consensus用于对比学习
     本文用长视频分段后Segmental Consensus来做有监督训练，UntrimmedNet做的是弱监督训练（Weakly Supervised），但Segmental Consensus也可以用来做对比学习。
     简单来说，之前的工作都是把视频里任意两帧当做正样本，其它视频帧都当做负样本。这样如果视频比较长，任意抽取的两帧不一定互为正样本。如果借鉴Segmental Consensus的思想，将长视频分为K段后，从K段视频段（K个Segment）中各抽取任意抽取一帧，这K帧当做第一个样本；再在这K个视频段中任意抽取剩下的一帧，当做第二个样本；这两个样本互为正样本就更为合理了。因为两个样本都是从K个视频段中抽出的，它们在视频段中的顺序和走势都是一样的（两个样本都是从Segment1→Segment2…→SegmentK），互为正样本的可能性更大。

3. 后续进展：

   • DOVF：在TSN基础上融入了全局编码（Fisher Vectors encoding），从而获取了更加全局的特征，UCF101精度推到95%以上。
   • TLE （CVPR 2017 ）：融入了temporal linear encoding （TLE）全局编码，并且把模型做到端到端。
   • Action VLAD：融入了VLAD encoding全局编码
   • DVOF：在TSN基础上融入了全局编码（Fisher Vectors encoding或VLAD encoding），从而获取了更加全局的特征，UCF101精度推到95%以上。

  也就是在2017年，I3D发表了，至此，双流网络慢慢淡出了舞台。另外I3D刷爆了UCF101数据集，且发布了Kinetics数据集，HMDB51 和UCF101也基本淡出舞台了。

3.5 总结

看累了就休息下

四、3D CNN

• 参考B站视频：李沐《视频理解论文串讲（下）》

4.1 前言

  上一章讲了双流网络及其改进，双流网络这种一个网络学习场景信息，一个网络引入光流学习运动信息的方式非常合理，效果也很好，那为什么大家还一直想将其替换为3D 卷积神经网络呢？主要就是在光流抽取这一块。

1. 光流抽取非常耗时
   • 计算光流的常用算法tvl one来自《 High accuracy optical flow estimation based on a theory for warping》这篇论文，使用的是其GPU实现，计算一帧光流需要约0.06秒，所以抽取光流是非常耗时的。
   • 比如对于UCF-101数据集，有约1万视频，每个视频约10秒，每秒30fps（30帧），一共约300万帧。每两帧抽一张光流图，总共耗时约50h。如果是Sports-1M这种更大的数据集（100万视频，视频时长长达几分钟），不做任何优化的话，抽取光流就要成千上万个小时了，这样即使是8卡GPU也要抽取一个多月。
   • 这意味着每当你想尝试一个新的数据集，都需要先抽取光流，再去做模型的开发。
2. 光流即使存为JPEG图像，也还是非常占空间。
   在双流网络这篇论文中，作者巧妙的将光流的密集表示改为JPEG图像存储，大大减少了存储空间，并在后续工作中一直沿用。但即使如此，UCF-101数据集存储所有抽取的光流也要27GB，如果是Kinetics 400数据集，大概需要500G存储空间。这么大的数据量，训练时是非常卡IO读取速度的。
3. 推理时无法做到实时处理
   • 推理时也需要先抽取光流。tvl one算法是一帧0.06秒，换算下来就是约15fps，低于实时要求的25fps，而且这还只是抽光流，其它还什么都没做。如果加上模型，就更不是实时了。
   • 视频处理的很多工作，都有实时性要求。

  综合以上几点因素，所以才有那么多人想要避开光流，避开双流网络的架构。如果能直接从视频里学习视频特征该多好，这也是2017年到现在，3D CNN火热的原因。因为3D CNN是直接学习视频里的时空信息，就不需要再额外用一个时间流网络去对时序信息单独建模了，也就不需要使用光流。
  但其实现在回过头来看，3D CNN 越做越大，vedio transformer也越做越大，大部分的视频模型依旧不是实时的。而如果在3D CNN或vedio transformer里加入光流，其实还是可以继续提高性能，所以光流依旧是一个很好的特征。

4.2 C3D（ICCV 2015）

论文《Learning Spatiotemporal Features with 3D Convolutional Networks》

4.2.1 前言

  论文题目意为使用3D CNN学习时空特征，而摘要的第一句话，就说到：本文的目的，就是使用一种简单的3D CNN结构来学习视频中的时空特征。主要贡献，就是使用的3D CNN还比较深，而且是在一个特别大的数据集上进行训练的（Sports-1M数据集）。

  在引言部分，作者提到，C3D并不是第一个使用3D CNN来做视频理解的，但却是第一个使用大规模的训练数据集，且使用了比较深的CNN 网络，最终取得的效果也较好。

4.2.2 模型结构和效果

1. 模型结构

  如下图所示，简单来说就是有8个conv层和5个pooling层，两个FC层和最后的softmax分类层。整个3D CNN的构造，就是把所有的2d 卷积核（3×3）都变成3d的卷积核（3×3×3），2d pooling层（2×2）换成3d pooling层（除第一个是1×2×2之外，其它pooling层都是2×2×2）。

  整体构造，就是将VGG-16的每个block都减去一个conv层，然后2d卷积、池化核变为3d 卷积核池化，所以C3D相当于是一个3D版的VGG（共11层）。所以作者才说，这种改动的方法非常简单。没有inception net那种多路径的结构，也没有残差连接（当时还没有ResNet）。

  模型输入维度是[16,112,112]（也就是输入16个视频帧，每帧尺寸是112×112），其余各个block尺寸如下：

  作者在此发现直接预训练后微调的效果不太好，最后使用的方法是抽取FC6层的输出特征，然后训练一个SVM分类器，得到最终的输出。所以本文的C3D，更多时候指代的是FC6层抽取出来的C3D特征。

2. 模型结果

  如上图所示，前两行都是Deep Video在Sports-1M数据集上的训练结果。如果改为C3D，则效果略有提升。如果C3D换成是在更大的数据集I380K（Facebook内部数据集，未开源）上预训练，效果进一步提升。所以这也是作者反复强调的，3D CNN比2D CNN做更适合做视频理解（Deep Video还是使用一个2D CNN，只不过后面做了一些Fusion ）。

  下面是在 UCF101数据集上的精度对比。

• 只使用一个C3D网络，精度只有82.3%，如果集成三个网络，精度为85.2%，也低于同期双流网络和手工特征的结果。
• 结果最好的是C3D+iDT+SVM分类器，精度90.4%。

4.2.3 总结

  C3D的结果并不是最好，但依旧很吸引人，因为其卖点是在特征抽取上。
  作者当时给出了python和matlab的接口。不管是使用python还是matlab，如果用opencv读进来，就可以返回一个1×4096的特征，直接用这个特征去做下游任务就行，中间细节通透不用管。所以当时很多视频理解任务，比如vedio detection、vedio captioning都纷纷使用C3D特征去做。

  C3D当时以Facebook的算力，还是训练了一个月，所以当时做好的做法不是微调，抽特征才是最好的选择，也就是不做任何微调）
  这也跟现在transformer的情况一样。比如很多多模态的任务，即使使用transformer微调也训练不动，所以大家往往是抽取一个transformer特征，然后再去做多模态的特征融合或者说多模态学习。
  所以做研究，除了考虑新颖度，还需要考虑易用性、适用性。

  除了抽取特征这种方式，让大量的研究者可以用于下游任务，作者还系统的研究了如何将3D CNN用于视频理解任务上来，为后续的一系列3D CNN 工作做了铺垫。

4.3 I3D（CVPR 2017）

论文：《Quo Vadis, Action Recognition? A New Model and the Kinetics Dataset》
参考视频：李沐《I3D 论文精读》、I3D的Resnet实现代码

4.3.1 研究动机

  C3D在Sports-1M这么大的数据集熵进行预训练之后，效果还是不太行。作者坚信，如果使用一个类似ImageNet这样的预训练模型，让网络进行更好的初始化，降低训练难度，模型性能一定会提高很多。
  所以作者提出了Inflated 3D ConvNet，这也是I3D里面的I的来源。具体来说，就是将一个2D的网络扩张成一个3D网络（2D卷积池化改为3D的卷积池化，类似C3D），而保持整体网络架构不变。同时这样可以后续采样用Bootstrapping技术，将2D网络的预训练参数，可以用于扩张后的3D 网络的初始化。

  C3D虽然也是这种扩张的方式得到3D模型，但是每个block都少了一个卷积层，所以整体结构变了，无法直接使用2D VGG的预训练参数，这也导致其很难优化，得到一个比较好的结果。

4.3.2 简介

本文从两个方面降低了训练3D网络的难度。

• Inflated 3D ConvNet：如果没有好的训练数据，可以使用ImageNet上预训练的2D模型，按I3D的方式扩张到3D网络。这样不用设计3D网络结构，而且使用了预训练模型的参数进行初始化，效果一般都很好（Inflating+Bootstrapping）；
• Kinetics 400：如果你想从头设计一个3D网络，那么可以使用本文提出的Kinetics 400 数据集进行预训练，是一个不错的选择（不再依赖于ImageNet预训练的模型参数）

具体的I3D网络结构，就是Two-Stream+3D ConvNet（backbone为Inception-V1）：

  详细内容请看我的上一篇帖子《李沐论文精度系列之七：Two-Stream双流网络、I3D》第二章——I3D部分）

4.3.3 总结

  I3D最大的亮点就是Inflating操作，不仅不用再从头设计一个3D网络，直接使用成熟的2D网络进行扩充就行，而且看还可以使用2D网络的预训练参数，简化了训练过程，使用更少的训练时间达到了更好的训练效果。

  I3D的最终结果，也超过了之前的2D CNN或者双流网络（UCF101精度刷到98%,远高于C3D的85.2%和Two-Stream的88%）。所以自从I3D 在2017年提出之后，到2020年，3D CNN基本霸占了整个视频理解领域，双流网络瞬间就不香了，直到vision transformer的出现。

I3D的影响：

• I3D虽然使用了3D CNN，但依旧使用了光流。也就是说光流不是没有，只是计算代价太高。
• I3D以一己之力，将视频理解领域 从双流网络推动到3D CNN时代，将做视频测试的数据集，从UCF-101和 HMDB-51变成了Kinetics 400（前两个已经被刷爆了）
• 证明了从2D 网络迁移到3D网络的有效性，后续有很多工作跟进（比如backbone换成ResNet，融入ResNext或者SENet的思想等等。）

4.4 Non-local Neural Networks（CVPR 2018）

论文《Non-local Neural Networks》、【论文笔记】

4.4.1 前言

1. 研究动机

  I3D奠定了3D CNN的视频处理架构之后，后续的就是各种改进了。其中一点，就是如何处理更长的视频，也就是该如何进行更好的时序建模。

  恰好这一时期，NLP领域发生了一个巨大的变革，transformer、GPT和BERT相继被提出来了，并被广泛证明其有效性。而其中的attention操作，本来就是可以学习远距离信息的，与LSTM的作用不谋而合。所以本文的作者，就考虑将self-attention融入I3D当中。

  结果也证明这样做确实有效，后续视频检查分割等等任务，都融入了non-local算子。尤其是2019年，简直都卷疯了，不知道有多少论文，尝试用各种方式将attention操作加到不同的视频分割网络结构里来。

2. 摘要
  卷积（convolutional）和递归（recurrent）都是对局部区域进行的操作，所以它们是典型的local operations。那如果能看到更长距离的上下文，肯定是对各种任务都有帮助的。
  受计算机视觉中经典的非局部均值（non-local means）的启发，本文提出一种non-local 算子用于捕获长距离依赖，可用于建模图像上两个有一定距离的像素之间的联系，建模视频里两帧的联系，建模一段话中不同词的联系等。
  non-local operations在计算某个位置的响应时，是考虑所有位置features的加权——所有位置可以是空间的，时间的，时空的。所以non-local 算子是一个即插即用的 building blocks（模块），所以可以用于各种任务，泛化性好。在视频分类、物体检测、物体分割、姿态估计等任务也都取得了不错的效果。

4.4.2 Non-local Block结构

  下图是一个时空Non-local Block，也就是专门用于视频理解的Non-local 模块。输入X经过变换得到$\theta ,\varphi ,g$，也就相当于self-attention里的q、k、v。然后前两者做点积注意力操作得到注意力分数，再和g做加权求和，得到最终的自注意力结果。这个结果和模块的输入做一个残差连接，得到整个模块的最终输出Z：
$$Z=W_Z\cdot \mathrm{A}\mathrm{t}\mathrm{t}\mathrm{e}\mathrm{n}\mathrm{t}\mathrm{i}\mathrm{o}\mathrm{n}(\theta ,\varphi ,g)+X=W_Z\cdot \mathrm{s}\mathrm{o}\mathrm{f}\mathrm{t}\mathrm{m}\mathrm{a}\mathrm{x}(\frac{\theta {\varphi }^T}{\sqrt{d_{\varphi }}})g+X$$

A spacetime non-local block

• 上图T应该是输入的视频帧的数量，H和W是视频帧的高宽尺寸。
• 计算过程中，$\theta ,\varphi ,g$的维度是输入X的一半，减少计算量。最后乘以$W_Z$时，恢复原来的通道数（也就是图中1×1×1的卷积操作），这样就可以做残差连接了（$⨂,⨁$分别表示矩阵乘法和矩阵加法）
• 这种残差结构，可以让我们在任意的模型中插入一个新的non-local block，而不改变其原有的结构。

4.4.3 实验

4.4.3.1 baseline

• ResNet-50 C2D baseline：2D 卷积核，3D pooling，结构如下图：
  作者先构造了一个没有使用non local的ResNet-50 C2D baseline。输入的video clip是32帧，大小为224*224。所有卷积都是2D的，即逐帧对输入视频进行计算。唯一和时序有关的计算就是pooling，即简单的在时间维度上做了一个聚合操作。
  
• I3D：上面的C2D可以通过I3D论文中Inflating的方式扩张成3D CNN，即卷积核也变成3D的。但采用两种扩张方式：一种是将residual block中的卷积核由3*3 扩张为3*3*3，另一种是将residual block中卷积核由1*1扩张为3*1*1。扩张后的模型分别表示为$I3D_{3\ast 3\ast 3}$和$I3D_{3\ast 1\ast 1}$ 。

4.4.3.2 消融实验

下面的试验，都是在Kinetics数据集上，进行视频分类的结果：

• a：试验自注意力计算的方式：点积计算效果最好，这也是transformer默认的计算方式
• b：试验单个non-local block插入位置：在$re{s}_2$和$re{s}_3$上插入non-local block。
  • 在ResNet的第2、3、4这三个block上插入non-local的效果都不错。加在$re{s}_5$上效果不好，作者认为这是因为第五个block的特征图太小了，没有多少远距离的信息可以学习
  • 加在$re{s}_2$上计算代价比较高，因为这个模块的特征图尺寸还是很大的
• c：试验插入non local block的数量。
  • ResNet50的4个Conv Block的卷积层层数分别是3、4、6、3，所以下表中加入10个non-local就等于是，在ResNet50的第二、三这两个模块的每个卷积层上，都加入non local block。5-block就是每隔一层来一个
  • 下图可以看到，加入更多的block效果就更好，这也说明，自注意力操作真的有用，特别是在视频理解里面，长距离时序建模更为有用。
• d：试验时空自注意力的有效性
  • 表d分别试验了只在时间维度和只在空间维度计算self -attention，以及在时空维度计算self attention的结果，最终显示，时间维度做self attention效果优于空间维度，两个维度都做，效果最好。这也证明作者提出的spacetime self attention才是最有效的。

• e：对比 C2D+5 non local blocks和两种I3D模型的效果，前者精度更高，FLOPs更小，说明单独使用non-local比3D conv更高效
• f：I3D+ 5 non-local blocks，效果进一步提升。
• g：使用更长的视频段（32帧→128帧，大概4秒），加入non-local block依然可以提高模型的精度，也说明其对长距离时序建模的有效性。

4.4.3.3 对比其它模型

  下面是本文的方法和I3D等几种模型在 Kinetics 400上的效果对比。NL I3D是将I3D的backb替换为ResNet，精度提升了一个点左右，加入non local之后，又提升了三个点，所以总共提升了约4个点，而且比双流I3D的效果还要好，更是给了做3D CNN研究者以信心。

之前的双流网络等2D 模型都是在UCF-101和HMDB-51上跑的，没有 Kinetics 400分数

4.4.4 总结

  作者将self attention引入到了视觉领域，而且针对视频理解，提出了spacetime self attention，通过一系列实验，证明了其有效性。从此在CV 领域，大家基本都使用non local算子，而不使用LSTM了。

4.5 R(2+1)D（CVPR 2018 ）

论文《A Closer Look at Spatiotemporal Convolutions for Action Recognition》

4.5.1 前言

• 主要内容：本文详细讨论了，在动作识别任务上做时空卷积的几种网络结构，是一篇实验性质的论文。
• 研究动机：作者发现，只使用2D CNN网络对一帧帧的单个视频帧抽取特征，最后动作识别的效果和3D网络差不多。而2D CNN是比3D CNN便宜很多的，所以作者考虑，在3D CNN网络结构中，部分加入2DCNN网络，并试验了各种网络结构。
• 结论：通过Sports-1M、Kinetics等多个数据集上的测试，证明了将3D 卷积拆分成空间上的2D+时间上的1D的网络结构，效果最好，也易于训练。

4.5.2 网络结构

1. 几种网络结构对比：

• R2D：将时间维度合并到channel维度中。比如将输入维度 [C,T,H,W ]→[CT,H,W]，然后直接输入到2D卷积网络中，得到最后的分类结果。
• MCx：前x层为3D卷积网络，而其余顶层为2D卷积网络，也就是先在底层抽取时空特征，然后上层用2D CNN降低复杂度
• rMCx：将一帧帧视频帧先输入x 层2D Conv抽取特征，再用3D Conv去做一些融合，输出最后的结果
• R3D：ResNet版本的I3D，即backbone换成3D ResNet，整体结构如下：
  
• R(2+1)D：本文的网络结构，先做2D的Spatial Conv，再做1D的Temporal Conv，效果最好。

2. 对比结果
下面对比了几种网络结构在Kinetics验证集上的动作识别精度，并且都是使用ResNet-18从头训练的模型：

• 单纯使用2D卷积神经网络效果最差，只使用3D效果稍微高一点
• 不管是MCx还是 rMCx，加入部分2D网络，效果都有提高
• 本文提出的R(2+1)D网络结构的效果最好
  对比了输入分别为8帧和16帧的两种情况

4.5.3 R(2+1)D结构

R(2+1)D vs 3D convolution.

  如上图所示， R(2+1)D 就是将一个 t×d×d的卷积核，替换为一个 1×d×d的卷积核和一个t×1×1的卷积核。也就是先只在空间维度（宽高尺度）上做卷积，时间维度卷积尺寸保持为1不变；然后再保持空间维度不变，只做时间维度的卷积。

• 为了使分解后的 R(2+1)D 网络参数量 和原3D网络参数量大体相同（和3D网络公平对比），中间使用Mi个2D CNN进行一次维度变换（输出维度为Mi）
  

• R(2+1)D增强了模型的非线性表达能力：相比原来，多使用了一次卷积操作，也就多用了一次RELU函数，所以模型的学习能力更强了；

• R(2+1)D结构使网络更加容易优化：直接使用3D卷积，模型是不容易学习的，拆分成两次卷积之后，降低了模型学习的难度。在参数量相同的情况下，R（2+1）D获得的训练损失和测试损失更低。网络层数越深，效果差距越明显。
    下面是两种结构的训练和测试误差对比图，R（2+1）D网络误差都更小，这既不是过拟合也不是欠拟合，而确实是网络更容易训练。
  

4.5.4 实验和总结

  下图对比其它模型在 Kinetics上的结果。R（2+1）D单个网络（RGB/Flow）比I3D单个网络的效果更好，但是双流R（2+1）D比双流I3D效果略低，也就是Fusion操作对I3D提升更大。在UCF101和HMDB51两个数据集上，也观察到同样的现象。

  这也是可以理解的，因为R（2+1）D输入尺寸是112×112，I3D输入尺寸是224×224，所以稍微低一点没关系。R（2+1）D这种拆分方式，确实有助于降低过拟合，降低训练难度。而且可以从头训练，不需要像I3D一样借助2D模型的ImageNet预训练参数，所以是一个很值得借鉴的网络结构。

  在前两年视频领域对比学习很火的时候，很多工作的backbone都是R（2+1）D，就是因为其容易训练和优化，而且输入尺寸是112×112，对GPU内存比较友好。

  后面会讲到TimeSformer这篇论文，其中一些作者就是本文作者，想法也类似，即将一个时空自注意力，拆分成时间上和空间上分别作自注意力。这样拆分，大大减少了对显存的要求，从而能训练起一个vedio transformer。

4.6 SlowFast（ICCV 2019 ）

论文《SlowFast Networks for Video Recognition》、代码、知乎解读贴《SlowFast Networks for Video Recognition》

4.6.1 前言

• 研究动机：人的视觉系统有两种细胞：p细胞和m细胞。前者数量占比约80%，主要处理静态图像；后者占比约20%，主要处理运动信息。这种方式就类似双流网络，受此启发，作者设计了SlowFast网络。
• 摘要：本文提出了一种快慢结合的网络来用于视频分类。其中一路为Slow网络，输入为低帧率，用来捕获空间语义信息。另一路为Fast网络，输入为高帧率，用来捕获运动信息，且Fast网络是一个轻量级的网络，其channel数比较小。SlowFast网络在Kinetics数据集上视频分类的精度为79.0％，在AVA动作检测达到了28.3mAP，都是当前的SOTA效果。

4.6.2 模型结构

1. 整体结构

如上图所示，SlowFast网络有两条分支。

• Slow pathway：类似p细胞，主要学习静态图像

  • 慢分支每隔τ帧取一帧，假设输入是T帧时，原视频是τ×T帧的vedio clip。
  • 默认T=4，τ=16（以帧率30fps来说，刷新速度大约是每秒采样2帧）。
  • 慢分支的网络就类似一个I3D，网络是比较大的。但因为输入只有4帧，所以相对而言，计算复杂度也不高。

• Fast pathway：快分支用于处理动态信息，所以需要更多的输入帧。

  • 高帧率：每隔τ/α帧取一帧，所以输入是αT帧，默认α=8，快分支输入就是32帧。
  • α是两个分支的帧速比，是SlowFast的关键概念，它表示这两条pathways的时间速度不同，促使两个分支分别学习不同的特征。
  • 低通道容量：相比于Slow分支， Fast分支的channel数是其β倍（默认β=1/8），所以是一个轻量级的分支。一般计算复杂度（FLOPs）是channel的平方关系，最后Fast分支约占整个网络计算量的20%。（上面也提到了，m细胞约占总数的15%-20%）
  • 高时间分辨率：整个Fast分支中均不使用时间下采样层（既不使用时间池化，也不使用时间步长的卷积操作），这样一来，特征张量在时间维度上总是αT 帧，尽可能地保持时间保真度。

• . Lateral connections（侧连接）：将快分支的特征融合到慢分支上

  • 两条分支的每个 stage 上都使用一个侧连接，将快分支的特征融合到慢分支上。作者也尝试了双向融合，提升不大。
  • 对于 ResNets而言，这些连接就位于$poo{l}_1,re{s}_2,re{s}_3,re{s}_4$之后。
  • 这两条分支的时间维度不同，通过变换来将它们匹配在一起。

  SlowFast使用小输入大网络的Slow pathway，和大输入小网络的Fast pathway，两个分支还使用侧连接进行信息融合，来学习更好的时空特征。通过这种设计，SlowFast达到了一种较好的时间和精度的平衡。

2. 前向过程

An example instantiation of the SlowFast network

• Slow pathway：就是一个ResNet-50 I3D，所以有四个res block，卷积层个数分别是3、4、6、3。
• Fast pathway：channel数是上图黄色数字，远远少于慢分支的channel数。
• forword：

  • 输入：慢分支和快分支输入维度分别是$[T,S^2,C]$和$[\alpha T,S^2,\beta C]$。假设样本是64帧224×224的视频帧，则慢分支和快分支的输入分别是4帧和32帧；

  • 下采样：在时间维度上，两个分支始终没有在时间维度上进行下采样，也就是始终保持32帧和4帧，使网络可以更好地学习时序信息；空间维度和原来一样，每个block都进行2倍的下采样

  • 侧连接：文中讨论了三种将快分支特征变换到慢分支同维度特征的方法，最后采用3D Time-strided卷积：$kernelsize=5\times 1^2,output-channel=2\beta C,stride=\alpha$。

  • 两个分支各接一个全局平均池化层，然后进行特征融合（concate）。最后接一个FC层（包含softmax），得到最终结果。

4.6.3 实验结果

1. 对比Kinetics上的视频分类结果（表2）

   • 表2灰色部分表示都使用了ImageNet预训练的模型
   • 下=表还对比了不同的计算复杂度，最小的SlowFast计算复杂度是很小的。
   • 随着输入帧数的提高，更换更深的backbone，以及最后加入了non-local算子，模型的精度一直在提升。最优模型在Kinetics-400上的精度达到了79.8%，基本是3D CNN中的最好结果。
   • 表3使用Kinetics-600数据集进行训练，精度更高
     

2. 对比AVA上视频分割效果
   
   另外还做了很多消融实验，比如α，β，T改如何取值等等，就不一一列举了。

4.7 3D CNN总结

除了上面列举的这些，还有很多优秀的论文。比如：

• Hidden Two-Stream：朱老师组2017年的论文，使用一种新的CNN架构，在网络中隐式地捕获相邻帧之间的运动信息，相当于隐式的光流。这样在训练和推理时都不需要抽取光流，这种端到端的算法比two-stage baseline快10倍。
• TSM（Temporal Shift Module ，ICCV2019）：提出了一种通用且有效的时间移位模块（TSM）。TSM shifts part of the channels along the temporal dimension，从而在相邻帧之间交换信息。引入shift操作之后，能让一个2D CNN 媲美3D CNN的效果，且2D CNN计算量小，更高效，更易部署。作者还提供了一个首饰检测的demo。

五、Vedio Transformer

5.1 TimeSformer（2021.2.9）

• 论文《Is Space-Time Attention All You Need for Video Understanding?》，即时空注意力在视频理解中是不是 All You Need。
• 知乎贴《TimeSformer：完全基于 Transformer 的视频理解框架》

5.1.1 前言

在CV领域，卷积和 Transformer 相比，有以下的缺陷：

1. 卷积有很强的归纳偏置（例如局部连接性和平移不变性）。对于一些比较小的训练集来说，这毫无疑问是有效的，但数据集够大时，这些会限制模型的表达能力。相比之下，Transformer 的归纳偏置更少，能够表达的范围更广，也更适用于非常大的数据集。
2. 卷积核是专门设计用来捕捉局部的时空信息，并不能够对感受野之外的依赖进行建模。虽然将卷积进行堆叠，会扩大感受野，但是这种策略，仍然会限制长期依赖的建模。与之相反，自注意力机制通过直接比较在所有时空位置上的特征，可以被用来捕捉局部和全局的长范围内的依赖。
3. 当应用于高清的长视频时，训练深度 CNN 网络非常耗费计算资源。而在静止图像的领域中，Transformer 训练和推导要比 CNN 更快。使用相同的计算资源可以训练更强的网络。

  本文讨论了如何将Vision Transformer从图像领域迁移到视频领域，即如何将自注意力机制从图像的空间维度（2D）扩展到视频的时空维度（3D）。TimeSformer算是这方面工作最早的一篇。

  TimeSformer 在多个有挑战的行为识别数据集上达到了 SOTA 的结果，相比于 3D CNN网络，TimeSformer训练要快3倍，推理时间仅为其十分之一。此外，TimeSformer 的可扩展性，使得它可以在更长的视频片段上训练更大的模型（当前的 3D CNN 最多只能够处理几秒钟的片段，而TimeSformer 甚至可以在数分钟的片段上进行训练。），为将来的 AI 系统理解更复杂的人类行为做下了铺垫。

5.1.2 网络结构

具体来说，文中讨论了五种融入自注意力的结构：

1. 空间注意力机制（S)：只在单帧图像上计算空间自注意力（+残差连接），然后接一个MLP（+残差连接）得到最后的结果，就类似ViT本身的做法，相当于是一个baseline了
2. （共同）时空注意力（ST）：在视频的三个维度上都使用自注意力
   • 暴力的计算所有视频帧中的所有图像块的自注意力，剩下的操作和上面一样。
   • 这种方式基本显存都塞不下（本来ViT就快塞不下了，视频使用更多的视频帧，更是塞不下）
3. 拆分的时空自注意力（T+S）:直接计算3D的时空自注意力显存不够，借鉴R(2+1)D的方法，将其拆分为Temporal Self Attention+Spatial Self Attention。
   • 先计算不同帧中同一位置图像块的自注意力，再计算同一帧中的所有图像块的自注意力
   • 这种方式大大降低了计算复杂度
4. 局部-全局注意力机制（L+G） ：直接计算序列太长，所以考虑先计算局部的自注意力，再在全局计算自注意力，类似Swin-Transformer。
     具体来说，先利用所有帧中，相邻的 H/2 和 W/2 的图像块计算局部的注意力。然后在空间上，使用2个图像块的步长，在整个序列中计算自注意力机制，这个可以看做全局的时空注意力更快的近似
5. 轴向自注意力（T+W+H）：分别沿着时间维度、width维度和height维度计算自注意力。

  R(2+1)D中，作者是画了五种结构图，讨论如何将2D卷积结构加入到3D CNN中。本文作者很多也是R(2+1)D的作者，套路也一样，也画了五种结构图。

下面作者对这五种自注意力方式进行了可视化，更加的形象：

Visualization of the five space-time self-attention schemes

1. 空间注意力机制（S)：上图以第t帧blue patch为基准点时，Space Attention只计算这一帧内其他patches和基准点的self attention，而完全看不到其它帧的信息；
2. 时空注意力（ST）：基准点和所有帧的所有patches都计算自注意力；
3. 拆分时空注意力（T+S）：先做时间上的自注意力，也就是计算不同帧中同一位置的self attention。然后计算同一帧上所有patches的self attention；
4. 局部-全局注意力机制（L+G）：先计算图中蓝色快和黄色/红色块的局部自注意力，再计算全局自注意力（此时是进行稀疏的计算，所以只计算蓝色块和紫色块的自注意力）。
5. 轴向自注意力（T+W+H）：先做时间轴（绿色块）的自注意力，再分别作横轴（黄色块）和纵轴（紫色块）上的自注意力。

  最终作者在Kinetics-400和Something-Something-V2数据集上，试验了这几种结构的精度。拆分时空注意力（ divided space-time attention）效果最好;

  K-400是一个比较偏静态图像的，所以单纯的Space Attention效果也不错，但是换成SSv2数据集，这样做效果非常差。

5.1.3 实验

1. 显存对比
     下图表示随着输入图像尺度的增长和输入帧数的增长，Divided Space-Time的方式计算复杂度基本还是线性增长，而Joint Space-Time的方式，计算复杂度增长非常快。下图灰色部分表示从448×448 crop和32帧起，就爆显存了，无法训练。
   
2. 模型效果对比
   

• 左图对比了TimeSformer、I3D、 SlowFast三种模型在K400数据集上的精度。其实 SlowFast使用Resnet101效果更好（精度78.9）。但是TimeSformer确实训练（微调）时间和推理速度都更短。
• 右图是作者使用了更大的TimeSformer-L模型，并在ImageNet-21K 上进行训练，终于把K400刷到80.7了。作为第一篇把ViT用到视频理解上的论文，这效果已经不错了。
• 下图是在K600数据集上，TimeSformer达到了 SOTA。
  

3. 长视频处理
   作者还验证了TimeSformer在长视频处理上相比于 CNN 更有优势，这一步使用了 HowTo100M 数据集。可以看到，当TimeSformer 输入96帧时，能够有效利用视频中长期依赖的信息，达到了最好的效果。
   • # Input Frames ：代表输入模型的帧数
   • Single Clip Coverage ：代表输入的一段视频覆盖了多久的视频
   • # Test Clips： 代表预测阶段，需要将输入视频裁剪几段才能输入进网络。

4. 预训练和数据集规模的重要性
- 因为这个模型需要非常大的数据才能够训练，作者有尝试自己从头训练，但是都失败了，因此在论文中报告的所有结果，都使用了 ImageNet 进行预训练。
- 为了研究数据集的规模的影响，使用了两个数据集，实验中，分四组，分别使用25%，50%，75%和100%的数据。结果是 TimeSformer 当数据比较少的时候表现不太好，数据多的时候表现好（这个结论和ViT中是一样的，即训练transformer需要更大的数据量才能达到媲美CNN的效果）。

5.1.4 总结

TimeSformer有以下几个优点：

• 想法简单
• 效果好，在很多动作识别数据集上都取得了SOTA效果
• 训练和推理都和高效
• 可以处理超过一分钟的长视频，也就是可以做长视频理解了。

另外还有一些其它的Vedio Transformer论文，也都是研究如何拆分时空自注意力，只是方式不一样，比如：

• VidTr（ICCV 2021）：朱老师组的另一篇工作，提出了separable-attention用于视频分类。VidTr能够通过叠加注意力来聚集时空信息，效率更高性能更好。
• MViT（Multi-Scale Vision Longformer，ICCV 2021 ）：Facebook的工作，使用了多尺度和Longformer，效果更好。
• ViViT（ICCV 2021 ）：Google 的工作

六 总结

本文讲了这么多模型，下面就再把这些都简单的串讲一下。

• 阶段一:
  • DeepVedio(CVPR2014：最早将CNN网络用于视频理解
    • 自从2012年Alexnet出来之后，大家就想把CNN也用到视频理解领域，所以就有了DeepVedio这个工作。
    • 提出了Sports-1M数据集（100万视频）
    • DeepVedio没有很好地利用运动信息，所以即使在Sports-1M这么大的数据集上预训练，效果也不好（UCF101 精度65.4%），比最好的手工特征IDT差了近20个点。
• 阶段二：Two-Stream
  • Two-Stream（NeurIPS 2014 ：开启了用深度学习做视频理解的新时代（UCF101 精度87%）。
    • 作者受IDT的启发，考虑将运动特征也加入到网络中来。最后是选择了引入光流的形式，用一个额外的时间流网络学习物体的运动特征，大大提高了模型的精度，使其可以媲美最好的手工特征，由此开启了用深度学习来做视频理解的时代。
    • 因为Two-Stream证明了其有效性，所以后续涌现了很多改进工作。
  • Two-Stream+LSTM（CVPR 2015：融入LSTM，使模型拥有更长的时序建模（理解）能力
  • Two-Stream+Early Fusion（CVPR 2016 )：改进了双流网络简单加权平均的Late Fusion方式。简单就是在Conv5这一层两个分支做3D Conv+3D Pooling，融合时空特征；同时时间流单独拿出来也做一次3D pooling，最后进行特征融合（加权平均）。相应的模型有Spatiotemporal Loss 和Temporal Loss两个损失函数。（UCF101 精度91.5%左右）
  • TDD（CVPR 2015）：将光流按轨迹叠加特征，效果更好
  • TSN（ECCV 2016）：为了处理长视频理解，TSN将长视频分成K段，每段都输入一个双流网络。然后将K个时间流特征进行融合得到一个时间流特征，空间流特征也这样操作。最后将两个融合后的特征再次合并，得到最终的视频特征。（UCF101 精度94%左右）
  • TSN得想法非常简单，所以后面也有很多改进，也就是加入传统手工特征里面的全局建模。到这个阶段，就把UCF-101和HDB51刷的非常高了，也没有什么太多可以做的了。
    • DOVF：在TSN基础上融入了全局编码（Fisher Vectors encoding），从而获取了更加全局的特征，UCF101精度推到95%以上。
    • TLE （CVPR 2017 ）：融入了temporal linear encoding （TLE）全局编码，并且把模型做到端到端。
    • Action VLAD：融入了VLAD encoding全局编码
• 阶段三：3D CNN

  • C3D（ICCV 2015）：将3D CNN用于视频理解是一个很自然的想法，所以有了C3D这篇工作。因为有了Sports-1M这么大的数据集，作者觉得还是可以训练一个很好的网络的。结果C3D抽取特征还可以（作者提供了抽取特征的接口），但是直接用于刷分效果还是差的比较远（C3D (1 net)+linear SVM 在UCF101精度为82.3）。

  • I3D（CVPR 2017）：Two-Stream+3D ConvNet，开启3D CNN 做视频理解的时代

    • C3D的效果不好，可能是网络的初始化不够好。I3D的作者使用将2D网络Inflating成3D网络，保持整体网络架构不变。这样既不用从头设计3D网络，还可以使用Bootstrapping技术，将2D网络的预训练参数，用于扩张后的3D 网络的初始化，使模型得到更好的效果。
    • 依旧使用了光流，提高模型性能。
    • 提出了K400数据集
    • UCF-101和HDB51两个数据集基本被刷爆了，此后，大家都使用K400数据集或者SSv2数据集汇报结果。

  • 改进backbone：R3D（ResNet）、MFNet（ResNext）、STC（SENet）

  • 将纯3D CNN改为2D+3D的形式：降低模型复杂度，大幅提高模型性能。

    • S3D、ECO、P3D等等。
    • R（2+1）D（CVPR 2018 ）：将3D CNN拆成2D的空间卷积+1D的时间卷积，降低过拟合和训练难度。

  • 长视频理解：

    • LTC（输入是120帧）、T3D、V4D
    • non-local（CVPR 2018）：融入自注意力，使模型精度更高，且可以建模更长的时间序列。

  • 高效处理：

    • CSN（ Channel-Separate Network）、X3D（使用anto ml方式搜索网络，最终网络效果好，且参数量很少，基本刷到顶了）
    • SlowFast（ICCV 2019 ）：使用快慢结合的网络来用于视频分类，两个网络分别学习静态信息和运动信息，得到了SOTA效果。
• 阶段四：Vedio Transformer:3D 基本刷不动了，正好ICLR 2021发布了ViT模型，从此步入了Vedio Transformer时代
  • TimeSformer（2021.2.9）：Joint Space-Time Attention太贵了，容易爆显存，所以考虑将其拆分。借鉴R(2+1)D的方法，将其拆分为Temporal Self Attention+Spatial Self Attention。
  • 还有一些其它的拆分自注意力工作，比如VidTr、MViT、ViViT等等。

  vison transformer在视频理解领域的应用还是比较初级的，在长视频、多模态、自监督等方向还可以进一步挖掘。而且视频领域发展这么多年，其实也还是处于一个比较初级的阶段，还有很多工作可以做。

  最后借用Andrej Karpathy大神在Twitter的一句话：如果想训练一个强大的视觉模型，处理好视频才是正确的做法。