Spatiotemporal Multiplier Networks for Video Action Recognition
2017CVPR
Christoph Feichtenhofer:http://feichtenhofer.github.io/
Abstract
加入恒等映射核来捕捉长期依赖。
Intro
ST-ResNet:没有提供它的设计选择有系统的理由
重新考虑双流的结合,ResNet较为深入的增加了解这些技术是如何相互作用的
引入这些新的结构,产生了一个新的动作识别方法。
3 main contributions
- 展示了一种可乘的运动外观流,表现非常好
- 讨论在长期输入的情况下,生成ST-ResNet的几种方法(提出了加入时间核),这种方法允许新的时间聚合核注入,甚至进入了网络的skip path。
- 基于如何在residual connections之间融合双流,并且扩展到时间维度,提出了通用的卷积结构,用于动作识别。
Related work
Historically:HOF,MBH,trajectories,HOG3D,Cubiods,SOEs
More recently:
- unsupervised learning,
- makes use of a combination of hand-crafted and learned features
- C3D
- aggregation of temporal information over extended time periods.(dynamic-image/LSTM/RNN/Siamese architecture/)
- 2-stream
Two-stream multiplier networks
3.1. Baseline architecture
双流,卷积网络在appearance上容易过拟合。
在每个流上都用ResNet作为base network architecture。
3.2. Connecting the two streams
加入cross-stream残差连接。提出了几种连接方式:
但是简单的cross-residual连接这两种流的层次导致了较低的分类与(非连接)两流的性能相比基线。我们推测,性能下降是由于这些层的输入分布的巨大变化在注入融合后的一个网络流中来自另一个流的信号。
3.2.1 Additive interaction 相加
X^al+1=f(Xal)+F(Xal+f(Xml),Wa