paddle 图标注_不同视角构造cycle-consistency，降低视频标注成本

最近看了两篇文章，题目惊人的相似，但是切入点和潜在应用却完全不同：

1.《Temporal Cycle-Consistency Learning》[1]，出自谷歌DeepMind，是上一篇《Time-Contrastive Networks: Self-Supervised Learning from Video》[2]的拓展升级版。在文中对于temporal alignment 任务，利用多个同类视频间的时间上下文的一致性来做frame matching，self-supervised 地学习多帧的embedding features。

2. 《Learning Correspondence from the Cycle-consistency of Time》[3]，出自CMU的Xiaolong等。对于一个视频内时间上下文的mid-level特征一致性来做patch matching，self-supervised 地学习单帧的embedding features。

这两篇文章都同时提到很多相同的关键词：self-supervised, Correspondence, nearest neighbors, embeddings。

它们的主要相同点：1) 都设计了cycle-consistency的loss来进行自监督学习； 2) 都是先对每帧单独提取mid-level feature，然后再在deep space里进行matching。

它们的主要区别：1) 前者的cycle loss设计是基于多个视频间的，而后者是对于一个视频内部的；2) 由于前者对frame-level进行matching，帧global 与 global运算；而后者是local patch与global运算。

----------------------------------------------------------------

一、Temporal Cycle-Consistency Learning (TCC) [1]，CVPR2019

该文的目标是自学习embedding spaces，使得视频1和视频2尽量对齐。如下图所示，1) 首先对视频1和视频2若干帧映射到embedding spaces，左边的每个圆圈表示每帧的表征；2) 接着在视频1中寻找视频2当前帧（黑色和红色的圆圈）中的nearest neighbors（即实线蓝色箭头对应的两个绿色点）；3) 最后cycle-back，用同样的方法寻找视频2中对应视频1两个绿色点nearest neighbors。这里产生的cycle consistency error就作为模型的Loss。

Cycle-consistent representation learning

由于 cycle-consistency 的计算是不可微的，文中的主要贡献是设计了两种可微方法来实现 cycle-consistency，分别是Cycle-back 分类和Cycle-back 回归。

我们首先计算视频

中的

在视频

的soft nearest neighbor

，然后再反过来求

在视频

中的nearest neighbor。下面两种方式是用来实现soft nearest neighbor matching：

Temporal cycle consistency

1.Cycle-back 分类

把每一帧当成是一个类别，那么匹配nearest neighbor可看成是one-hot分类问题，即只有匹配帧为1，其他帧为0。逻辑单元直接由两者在embedding space的距离表示，这样从视频

中寻找当前

的近邻可以表达成：

反过来，从视频

中寻找

的近邻也可通过距离的Softmax表示，最后产生的cross-entropy loss就是cycle consistency error。

2.Cycle-back 回归

由于上述分类过程没有约束cycled back的时间点要离当前时间点的远近，而作者希望对离得近的时间点惩罚小，而离得远的时间点惩罚大，故在cycling back的过程加入了regression loss，即约束相似性分布为高斯分布，使得在当前时间点附近有Peak分布，而整体的variance尽量小，Loss表示为：

后面实验时也对比了MSE版本的Loss，即只考虑高斯分布中的均值，不考虑方差，

，从实验结果来看，性能 Cycle-back 回归 > Cycle-back 分类 > MSE

------------------------------------

关于Encoder，使用的是VGG-M/ResNet50。而Embeeding Network结构如下，加入3D卷积和3D池化，在补充材料中作者说到，即使在 k=2 情况下，性能也较好。

实验结果

从下面实验结果图可见：1) 在仅仅有 0.1%和0.5%标注的label情况下，TCC性能远比Supervised learning的效果好，体现出 self-supervised learning在少样本学习下的优势； 2) TCC性能明显优于现有的两种无监督学习方法 SaL 和 TCN，当TCC+TCN结合时，在Penn Action下性能达到最大。

潜在应用

1.语音和视频跨模态迁移对齐

2.视频的细粒度检索，检索到内容对齐好的frame-level

3.视频异常检测

4.视频同步回放

具体可见 https://sites.google.com/view/temporal-cycle-consistency

--------------------------------------------------------------

二、Time-Contrastive Networks（TCN）[2]，ICRA2018

由于上面实验有对比TCN的结果，这里简单介绍下，都是同一个组的工作。主要思想在temporal上构造三元组，离anchor近的当成positive，离anchor远的当成negative。通过这个self-supervised learning，模型能学到强时间上下文的表达，尽管在空间上这些帧都是similar-looking images。

与TCC相比，TCN只有一个视频内部训练，难以学到多个视频的时间上下文关联，这也是在视频对齐中性能不如TCC的主要原因。

Single-view TCN

----------------------------------------------------------------

三、Learning Correspondence from the Cycle-consistency of Time[3]，CVPR2019

该文主要致力于统一光流和跟踪，通过自学习时空上的corresponding来得更好的embedding表征。如下图所示，主要贡献点有：1）构造了从t-->t-1-->t-2-->t-1-->t的time cycle，在不要手工标注label情况下，通过cycle前后的信息差异，来引导模型学习 ；2）对于上下文tracking，如t-->t-1，构造了可微分的tracking operation，使得网络能进行端到端地训练。

A Cycle in Time

首先我们来看可微分tracking operation

，简单的patch matching过程。如下图所示，1) 首先对当前帧需要跟踪的patch和上一帧，提取下采样8倍的Mid-level feature，进行L2正规化，通过点乘计算Affinity矩阵后Softmax； 2）接着通过两个卷积层和一个全连接层，定位出仿射变换的三个参数，2D平移和旋转；3）最后进行双线性sample，得到匹配后区域的特征。

可微分tracking operation

网络的端到端训练是基于Backward-forward的iterative tracking后的模板匹配来实现的。如下图所示，在backward过程，从

-->

-->

，通过迭代进行上述的tracking operation

，我们可以得到跟踪到的特征；然后进行反向forward，迭代两次

，最后得到cycled back的patch特征，计算与原始patch特征的loss，更新网络

和

训练端到端Cycle-consistent

文中使用的 Loss 由三部分组成：

为每个tracking operation

前后的patch feature的相似度损失；

和

为 2-step skip cycle和原始cycle下的坐标级别的patch alignment误差。

实验结果

性能远超当前的几种unsupervised methods，但相比fully supervised，仍需努力。

实例分割on DAVIS-2017

不同应用下可视化效果，在不需要人工label情况下，已经很棒棒哒：

官方的代码链接：https://github.com/xiaolonw/TimeCycle

-------------------------------------------------------------

总结与展望：

两篇文章从不同视角来构造cycle-consistency约束，目标都是为了在不需要标注label情况下，学到更好的视频representation，这也是解决在real-world中大规模无标注视频数据的低利用率及高昂的frame-level人工标注成本等问题。正如作者在future work里谈到的，这两篇文章还是存在一定局限，比如[1]中的训练需要保证同一个视频内部尽量无重复的动作片段，以及两个视频的类别及内容必须有一定的相似性；[3]中在训练过程patch的选取是随机化的，可能包含多个物体，很容易导致网络学习歧异。

未来展望的话，必须把两篇文章的思想用起来，拓展到各种视频任务中；而对于两篇文章本身，双方的结合未尝不可，对于[1]中embedding特征是基于全局的，可参考[3]中类似思想，找到场景下带语义的object/patch来进行cycle交互，估计能理解得更好，对齐得更好。

Reference:

[1] Debidatta Dwibedi et al., Temporal Cycle-Consistency Learning, CVPR2019

[2] Pierre Sermanet et al., Time-Contrastive Networks: Self-Supervised Learning from Video, ICRA2018

[3] Xiaolong Wang et al. , Learning Correspondence from the Cycle-consistency of Time, CVPR2019