视频理解学习笔记（三）

时间梳理

Paradigm: Time	Paper
传统到CNN	DeepVideo
Two-Stream：2014-2017	Two-Stream
3D-ConvNet：2017-2020	I3D
ViT-based：2020-present

结果对比

Model	UCF101 (acc, %)
Improved Dense Trajactories (IDTF)S	87.9
Deep Video (Slow Fusion)	65.4
Two-Stream CNN (Optical Flow + Image Frames, SVM Fusion	88.0
Beyond Short Snippets (LSTM Fusion)	88.6
TDD + FV	90.3
3DConv + 3DPool	93.5
TSN	94.0
TLE	95.6

从hand-crafted到deep-learning

DeepVideo论文概览 (Slow Fusion)

论文链接：Large-scale Video Classification with Convolutional Neural Networks by Andrej Karpathy, Li Fei-Fei and etc. from Google Research and Computer Science Department, Stanford University.

Part 1:

• Single Frame：从视频里面抽取一帧出来，喂进卷积网络中得到结果。相当于普通的2D图像分类。
• Late Fusion：从视频里面抽取多帧出来，分别喂进权重共享的卷积网络中，在结果层面做信息融合。比如说Two-Stream在logits处做average或者SVM，因此算是有时序信息在其中。
• Early Fusion：直接在输入层面做信息融合，如图所示，将consecutive 5 frames在channel维度concatenate起来，相当于输入总共拥有15个channel（每个frame有3个channel）。
• Slow Fusion：在学习过程中，即特征层面做时序信息融合。

以上4种方法中，Slow Fusion效果最好，但其实4种方法的效果差别很小。

Part 2: Multisolution CNN Architecture.

如上图所示，

• 上面的分支：学习核心信息。从原始图中间crop出来（认为物体一般在图片中心），让fovea stream来学习这种核心信息。fovea意味视网膜中央凹，该部位对外界变换最为敏感。
• 下面的分支：学习整体的全局信息。没有特殊处理。

上下两个分支权重共享。

该网络在某种程度上也算是一种双流网络。这其实是早期的一种注意力机制，强制让模型去关注图片中心区域。

Two-Stream and Its Variants

Two-Stream CNN (Late Fusion)

双流卷积神经网络概览

由双流网络的启发（效果不一定好，探索）：

• Early fusion and late fusion
• 换backbone，尝试更深的网络；如何在小数据集上训练大模型，控制过拟合。
• 怎么更好地处理时序信息，比如说用RNN或者LSTM等。
• 怎么做长视频

Beyond Short Snippets (Two-Stream + LSTM/ConvPooling)

探究时序信息Fusion的方法，怎么做pooling，主要提出了Conv Pooling和尝试了LSTM。这两者都可以处理非常多的帧，所以叫做beyond short snippets。
论文链接：Beyond Short Snippets: Deep Networks for Video Classification_CVPR’15 by Joe Yue-Hei Ng etc. from University of Maryland, College Park, University of Texas at Austin and Google, Inc.

方法：

实验：
和其他方法做对比：基于双流网络做出的改进，带来的效果提升非常有限。

消融实验：

结论：LSTM这种看似能够很好融合时序信息的方法，其实和ConvPooling的效果差不了多少（因为LSTM学的是更high-level的语义信息，需要一个比较长的序列和比较明显的变化）；上表中最好两排相比前面两排的增益，主要来自光流的利用。

3DConv + 3DPool, Early Fusion (Conv Two-Stream)

即在卷积中做fusion。

探究Early Fusion，非常细致地讲了如何去做信息融合。具体来讲，如何基于双流网络去做时间流和空间流的early fusion。

论文链接：Convolutional Two-Stream Network Fusion for Video Action Recognition_CVPR’16 by Christoph Feichtenhofer and Axel Pinz from Graz University of Technology, Andrew Zisserman from University of Oxford.

• Spatial Fusion

  • 怎么合并
    • Max Fusion
    • Concatenation Fusion
    • Conv Fusion (表现最好)
    • Sum Fusion
    • Bilnear Fusion
  • 在哪里合并
    • 空间流和时间流先分别做，然后在中途合并
      
    • 先两个网络分别做，然后把空间流的特征拿去和时间流的特征做合并。（表现更好）
      

• Temporal Fusion

  • 3D Pooling
  • 3D Conv + 3D Pooling

实验：

和其他方法做对比：

结论：Early Fusion可能算是一种对网络的变相的约束，在一定程度上弥补了数据集不足的问题。

贡献：

• 大量消融实验，在哪里做fusion，怎么做fusion
• 展现了3D CNN的可行性

TSN

如何处理更长的视频和一些好用的技巧

论文链接：Temporal Segment Networks: Towards Good Practices for Deep Action Recognition_ECCV’16 by Limin Wang etc. from ETH, CUHK, CAS

方法：
给长视频分段，从每个段抽取一帧rgb和对应的光流，喂进权重共享的双流网络。

• 如何利用输入不同的预训练好的模型进行初始化（如何利用在ImageNet上预训练好的模型参数对TSN进行初始化）：RGB是3个channel，而TSN的输入是N个channel。方法：在第一层对3个channel的参数取平均，得到一个channel的参数；将这个参数重复N次。
• 正则化的技巧
  • 问题：BN虽然能加速训练，但加重过拟合。解决：partial BN，即把部分BN冻住。具体来讲，把第一层BN打开（因为输入变化了），其他BN全部冻住。
• 数据增强：防止过拟合。
  • coner cropping：强制在边边角角做crop；
  • jittering：改变视频帧的长宽比。具体操作：resize到固定大小，然后去做裁剪。

实验：
和其他方法对比：

总结

• 上半支：传统方法
  • STIP: Spatial Temporal Interest Point
  • DT/IDT: Dense Trajectory / Improved Dense Trajectory
  • IDT + FV: Fisher+ Vector
• 下半支：深度学习
  • DeepVideo’14
  • Two-Stream
    • 利用光流轨迹做堆叠：TDD_CVPR’15
    • 利用时序模型LSTM和做Pooling（late fusion）：Beyond Short Snippets_CVPR’15
    • Early Fusion: 3DConv + 3DPool, Conv Two-Stream_CVPR’15
    • 对长视频的理解：TSN_ECCV’16
      • 将全局编码加到TSN中，学习一个更全局的video-level特征
        • DVDF：非端到端
        • TLE_CVPR’17：端到端

Reference

Bilibili-视频理解论文串讲（上）