视频理解学习笔记（一）：双流卷积神经网络

两句话总结双流卷积神经网络

• 两个神经网络，一个学习空间信息，一个学习时序信息。
• 在学习时序信息的网络中，传统方法提取运动特征（光流信息作为先验），其后接上CNN学习这些特征。

论文概览

论文标题：Two-Stream Convolutional Networks for Action Recognition in Videos

论文地址：https://arxiv.org/abs/1406.2199

作者团队：Karen Simonyan and Andrew Zisserman from 牛津大学的VGG组，也是VGGNet的两个作者。

任务：视频动作识别

背景：在双流卷积之前，也有工作尝试将卷积神经网络应用到视频动作识别任务（DeepVideo_Large-scale Video Classification with Convolutional Neural Networks_CVPR’14），但是效果却没有之前那些手工设计浅层特征的方法好。

贡献：第一个将CNN在Video上的表现提升到和手工设计特征方法媲美的深度学习神经网络。神经网络在视频理解领域的开山之作。

• 证明将深度学习应用于视频理解是可行的
• 证明motion信息（可以理解成时序信息）对视频理解是至关重要的

双流：两个神经网络

• 空间流神经网络（Spatial stream ConvNet）
  • 输入：单帧图片（single frame）
  • 输出：分类概率
• 时间流神经网络（Temporal stream ConvNet）
  • 输入：多帧光流（multi-frame optical flow）
  • 输出：分类概率
• 最终输出（late fusion）：将两个CNN输出的概率取加权平均，得到最终的分类概率。

  Late fusion：在logits层面去做合并

值得一提的是，在人脑内，也有两条路来做视觉处理，一条路叫做ventral stream，用来做物体识别；一条路叫做dorsal stream，用来做运动识别。

问题：CNN擅长学习局部特征，而难以学习基于时序的移动规律（即motion information）。

解决：既然CNN难以学习motion information，那就教CNN学会motion information。

• 首先将motion information提前抽取好，也就是得到光流信息（multi-frame optical flow），然后让CNN学习光流和label之间的映射关系。

  事实上，在时序流网络分支中，先抽取光流信息作为运动特征是inspired by传统方法，只是说双流卷积用CNN代替了传统卷积的特征学习。

• 相当于并没有让CNN直接去学习运动特征，而是将运动特征，也就是光流信息抽取出来后，再去让CNN学习这个抽取好的运动特征。

方法详解

Spatial stream ConvNet

• 网络结构：5 Convs + 2 FCs + softmax (其实就是AlexNet）
• 输入：将视频一帧一帧的喂进去，相当于一个图像分类
• 输出：分类概率

Temporal stream ConvNet

• 网络结构：5 Convs + 2 FCs + softmax (其实就是AlexNet）
• 输入：11帧，即10个光流图
  • 每两帧能得到一个光流
  • 可以得到很多光流图
    • 如何利用这些光流图：叠加
    • 怎么叠加：
      • stack（实验证明，该方法效果更好）
      • trajectory stack，根据光流的轨迹，在轨迹上去进行光流数值的叠加
        

测试方法

1. 不管视频有多长，只从里面等间隔取25帧，对这25帧采用10 crop（从原帧取4个corners + 1 center，翻转后再取4个corners + 1 center）的方法，可以得到总共250个crop，送到spatial网络。spaital最后的预测结果是这25帧的预测结果取平均。
2. 对于光流，依旧是等间隔提取25帧，然后以取的每一帧为起点，取其后面的连续10帧，共11帧，得到10个光流图，送到temporal网络。temporal最后的预测结果是这10个光流图的预测结果取平均。
3. 最终预测结果是两个网络的最终预测结果取加权平均（或者SVM）。

光流

上面提到了光流和提取光流信息，那么什么是光流？该篇论文是怎么预处理和提取光流信息的？

• 主要挑战：expensive time and space

什么是光流

光流是一种能够有效描述物体运动特征的物理表示。

怎么预处理光流

将光流scale到[0, 255]之间的整数，将其存储为JPEG格式。（但仍然expensive）

数据集

论文中在两个数据集上进行了实验，它们是UCF101和HMDB-51。

补充：其他视频理解数据集 and
Sports-1M
Something Something
Kinetic

UCF101（已被刷爆）

Paper: UCF101: A Dataset of 101 Human Action Classes From Videos in The Wild_ICCV’13
Website: UCF101 - Action Recognition Data Set

UCF是University of Central Florida的缩写，101意味该数据集里面共有101个类。

UCF101是中佛罗里达大学在2012年11月推出的一个真实动作视频的人类动作识别数据集，收集自YouTube，有101个类，共包括13320个视频，是UCF50的扩展。
该数据集包含的动作可以分为五大类：

• Human-Object Interaction
• Body-Motion Only
• Human-Human Interaction
• Playing Musical Instruments
• Sports

分辨率：320 * 240 （width * height)

HMDB51

Paper: HMDB: A large video database for human motion recognition
Website: HMDB

HMDB是Human Motion DataBase的缩写，51意味着该数据集共包含51个动作类。

HMDB51是一个2011年11月推出的人类动作识别数据集，收集自电影和网络视频等。它包含6766个视频，共有51个动作分类，其中每个动作分类至少包含101个片段。

Experiments

References

Bilibili-双流网络论文逐段精读