SlowFast Networks for Video Recognition笔记

提出了用于视频识别的慢速网络。

SlowFast创建思路

1 Image  中 可以同等对待， 但是 video signals  中与同等对待不合理。

2 看到的东西有 slow的部分 和fast的部分 

SlowFast核心

核心是对同一个视频片段应用两个平行的卷积神经网络（CNN）

—— 一个慢（Slow）通道，一个快（Fast）通道。

（i）一个慢速路径，以低帧速率操作，以捕捉空间语义；慢速高分辨率CNN（Slow通道），来分析视频中的静态内容

（ii）一个快速路径，以高帧速率操作，以精细的时间分辨率捕捉运动。快速低分辨率CNN（Fast通道），来分析视频中的动态内容。

快速路径可以通过减少信道容量而变得非常轻量级，同时还可以学习有用的时间信息用于视频识别。
模型在动作分类和视频检测两方面都取得了很好的性能。

SlowFast相关工作

Spatiotemporal fifiltering 时空滤波

1. 动作可以表示为时空对象，并在时空中通过定向滤波捕获。空间和时间维度同等对待来处理
2. 侧重于使用时间步长的长期滤波和池，以及将卷积分解为单独的2D空间滤波器和1D时间滤波器。

Optical flflow for video recognition视频识别用光流 .

 

SlowFast工作原理

Slow通道和Fast通道都使用3D RestNet模型，捕捉若干帧之后立即运行3D卷积操作。

Slow通道使用一个较大的时序跨度（即每秒跳过的帧数），通常设置为16，这意味着大约1秒 可以采集2帧。Fast通道使用一个非常小的时序跨度τ/α，其中α通常设置为8，以便1秒可以采集 15帧。Fast通道通过使用小得多的卷积宽度（使用的滤波器数量）来保持轻量化， 通常设置为慢通道卷积宽度的⅛，这个值被标记为β。使用小一些的卷积宽度的原因是Fast 通道需要的计算量要比Slow通道小4倍，虽然它的时序频率更高。

侧向连接

如图中所示，来自Fast通道的数据通过侧向连接被送入Slow通道，这使得Slow通道可以了解Fast 通道的处理结果。单一数据样本的形状在两个通道间是不同的（Fast通道是{αT, S², βC} 而Slow 通道是 {T, S², αβC}），这要求SlowFast对Fast通道的结果进行数据变换，然后融入Slow通道。

论文给出了三种进行数据变换的技术思路，其中第三个思路在实践中最有效。

1. Time-to-channel：将{αT, S², βC} 变形转置为 {T , S², αβC}，就是说把α帧压入一帧
2. Time-strided采样：简单地每隔α帧进行采样，{αT , S², βC} 就变换为 {T , S², βC}
3. Time-strided卷积: 用一个5×12的核进行3d卷积， 2βC输出频道，跨度= α.

有趣的是，研究人员发现双向侧链接，即将Slow通道结果也送入Fast通道，对性能没有改善。

在每个通道的末端，SlowFast执行全局平均池化，一个用来降维的标准操作，然后组合两个 通道的结果并送入一个全连接分类层，该层使用softmax来识别图像中发生的动作。

数据集

SlowFast在两个主要的数据集 —— DeepMind的Kinetics-400和Google的AVA上进行了测试。 虽然两个数据集都包含了场景的标注，它们之间还是有些差异：

Kinetics-400包含成千上万个Youtube视频的10秒片段，将人的动作归为400类（例如：握手、 跑、跳舞等），其中每一类至少包含400个视频。

AVA包含430个15分钟的标注过的Youtube视频，有80个原子化可视动作。每个动作的标注 即包含描述文本，也包含在画面中的定位框。

结果

SlowFast在两个数据集上都达到了迄今为止最好的结果，在Kinetics-400上它超过最好top-1得分5.1% (79.0% vs 73.9%) ，超过最好的top-5得分2.7% (93.6% vs 90.9%)。在 Kinetics-600 数据集上它也 达到了最好的结果。Kinetics-600数据集与Kinetics-400类似，不过它将动作分为600类，每一类 包含600个视频。

在AVA测试中，SlowFast研究人员首先使用的版本，是一个较快速R-CNN目标识别算法和现成的行人 检测器的整合，利用这个行人检测器获取感兴趣区域。研究人员随后对SlowFast网络进行了预训练， 最后在ROI上运行网络。结果是28.3 mAP (median average precision) ，比之前的最好结果21.9 mAP 有大幅改进。值得指出的是在Kinetics-400和Kinetics-600上的预训练没有获得显著的性能提升。

有趣的是，论文比较了只使用Slow通道、只使用Fast通道、同时使用Slow和Fast通道的结果，在 Kinetics-400上，只使用Slow通道的网络其top-1结果为72.6%，top-5为90.3%。只使用Fast通道的网络， top-1和top-5分别为51.7% 和 78.5%。

参考:

论文原文

slowfast网络解读

slowfast解读：用于视频理解的双模CNN

转载自http://blog.hubwiz.com/2018/12/28/slowfast-explained/